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
Understand Anything
SkillErstellt einen durchsuchbaren Graphen fremder Codebasen
Planning with Files
SkillSpeichert den Plan auf der Festplatte über Kontext-Resets hinweg
install-guard
SkillPrüft Pakete vor der Installation in ihrer Registry
Kommentare(0)
Zum Kommentieren anmelden