Modèles d'Implémentation RAG

Ce que cela fait

Fournit un blueprint concret et axé sur la production pour construire des systèmes de Génération Augmentée par la Récupération (RAG). Couvre la sélection et la configuration des bases de données vectorielles (Qdrant, Pinecone, Chroma, Weaviate, Milvus), les stratégies de chunking (fixe, sémantique, hiérarchique, fenêtre glissante), les compromis des modèles d'embedding (OpenAI, Sentence Transformers, Cohere), les optimisations de récupération (recherche hybride, reranking, filtrage par métadonnées) et les pratiques de production telles que la mise en cache, l'ingestion asynchrone et la surveillance. Inclut des extraits de code et des arbres de décision pour guider l'implémentation et le déploiement pratiques.

Quand l'utiliser

Utilisez cette compétence lorsque vous concevez ou déboguez un pipeline de recherche sémantique / RAG : choisir une DB vectorielle, décider des stratégies de chunking et d'embedding, optimiser la qualité de la récupération, implémenter une recherche hybride dense+sparse, ou construire une ingestion et une surveillance de production. Elle s'adresse aux ingénieurs construisant des systèmes de recherche, de Q&A ou des assistants nécessitant une récupération fiable et évolutive.

Ce qui est inclus

• Scripts : aucun dans le package du dépôt (has_scripts=false) mais des exemples de code et des extraits de recettes sont inclus dans le fichier SKILL.md.
• Références : références intégrées aux outils et documents recommandés ; pas de répertoire references/ séparé.
• Instructions : modèles étape par étape pour la sélection de la DB, les méthodes de chunking, les appels d'embedding, la recherche hybride, le reranking, le filtrage par métadonnées et des exemples de pipelines.

Agents compatibles

Idéalement adapté aux environnements d'exécution d'agents axés sur le code et l'ingénierie capables d'exécuter des extraits Python et d'interagir avec des DB vectorielles (Claude Code, agents de type Copilot/Codex, autres assistants capables de coder).