Embedding

vector-index-tuning aide à optimiser les index de recherche vectorielle en termes de latence, de rappel et de mémoire. Utilisez cette skill pour choisir les types d’index, ajuster les paramètres HNSW et comparer les options de quantification pour les workflows RAG.

similarity-search-patterns vous aide à choisir les métriques de distance, les types d’index et les approches de récupération hybride pour la recherche sémantique et les workflows RAG. Utilisez-le pour arbitrer les compromis d’une recherche vectorielle en production entre rappel, latence et passage à l’échelle.

rag-implementation est une skill pratique pour concevoir des systèmes RAG avec bases vectorielles, embeddings, schémas de retrieval et workflows de réponses fondées sur les sources. Utilisez-la pour comparer les options de stack, orienter les choix d’architecture et guider l’installation ainsi que l’usage pour la Q&A documentaire, les assistants de connaissance et la recherche sémantique.

La compétence hybrid-search-implementation montre comment combiner la recherche vectorielle et lexicale avec RRF, la fusion linéaire, le reranking et des schémas en cascade pour des systèmes de RAG et de recherche.

embedding-strategies vous aide à choisir et optimiser des modèles d’embedding pour la recherche sémantique et les workflows RAG, avec des conseils concrets sur le chunking, les compromis entre modèles, le contenu multilingue et l’évaluation de la récupération.