RAG Implementation
Baut Retrieval-Pipelines für Antworten aus echten Dokumenten
Installation
/plugin marketplace add wshobson/agents; /plugin install llm-application-dev
When an LLM needs to answer from a document set, or an existing RAG pipeline returns weak matches.
- Autor
- wshobson
- Lizenz
- MIT
Für jede Stufe einer Retrieval-Augmented-Pipeline wird bewusst entschieden: wie Dokumente aufgeteilt werden, welches Embedding-Modell zu Sprache und Budget passt und welcher Vektorspeicher eingesetzt wird – Pinecone, Weaviate, Qdrant, Chroma oder pgvector im praxisnahen Vergleich. Retrieval umfasst mehr als die Suche nach nächsten Nachbarn: Dichte Suche und Stichwortsuche werden kombiniert und die Ergebnisse vor der Übergabe an das Modell neu gerankt. Ein LangGraph-Beispiel trennt Retrieval und Generierung in eigene Knoten, damit beide unabhängig gemessen werden können.
Ähnliche Skills
LLM Application Dev
SkillRAG-, Vektorindex- und Prompting-Skills auf LangGraph-Basis
SAST Configuration
SkillKonfiguriert Semgrep, CodeQL und SonarQube für echte Befunde
Sourcegraph
SkillRepositoryübergreifende Suche für Referenzen und Änderungen
Kommentare(0)
Zum Kommentieren anmelden