RAG Implementation
Crea pipelines de recuperación basados en documentos reales
Instalación
/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
- Licencia
- MIT
Cada etapa de un pipeline de generación aumentada por recuperación se decide de forma explícita: cómo dividir los documentos, qué modelo de embeddings se ajusta al idioma y al presupuesto, y qué base de datos vectorial utilizar —Pinecone, Weaviate, Qdrant, Chroma o pgvector— comparándolas según sus diferencias prácticas. La recuperación va más allá de buscar el vecino más cercano: combina búsquedas densas y por palabras clave, y reordena los resultados antes de enviarlos al modelo. Un ejemplo con LangGraph muestra la recuperación y la generación como nodos separados para poder medir cada etapa de forma independiente.
Habilidades similares
LLM Application Dev
HabilidadSkills de RAG, índices vectoriales y prompts con LangGraph
SAST Configuration
HabilidadConfigura Semgrep, CodeQL y SonarQube para bloquear fallos reales
Sourcegraph
HabilidadBusca código entre repositorios y mide el impacto de refactorizaciones
Comentarios(0)
Inicia sesión para comentar