RAG

knowledge-ops est une compétence de knowledge-ops pour gérer une base de connaissances à plusieurs niveaux, entre fichiers locaux, mémoire MCP, vecteurs et dépôts Git. Utilisez-la pour ingérer, organiser, synchroniser, dédupliquer et retrouver des notes, conversations, documents et faits projet, avec des frontières de stockage bien définies.

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.

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.

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.

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.

langchain-architecture est un guide de conception pour créer des applications LangChain 1.x et LangGraph. Il aide à choisir entre les patterns de chaînes, d’agents, de retrieval, de mémoire et d’orchestration avec état avant l’implémentation.

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.

azure-search-documents-py est le skill Python pour Azure AI Search dédié au développement backend, avec la configuration, l’authentification, la conception d’index, la recherche vectorielle, la recherche hybride, le classement sémantique et la récupération agentique. Utilisez le skill azure-search-documents-py lorsque vous avez besoin de conseils pratiques, de la mise en route aux schémas de requête réellement exploitables.

reunion est un skill local-first permettant de créer des agents de chat mémoriels à partir de souvenirs, journaux de conversation, diaries, photos et récits oraux, avec analyse de la Memory et de la Persona, usage en CLI et prise en charge d’un serveur MCP pour l’Agent Orchestration.