RAG Implementation
Crée des pipelines qui fondent les réponses sur vos documents
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.
- Auteur
- wshobson
- Licence
- MIT
Chaque étape du pipeline de génération augmentée par récupération fait l’objet d’un choix explicite : découpage des documents, modèle d’embedding adapté à la langue et au budget, puis base vectorielle parmi Pinecone, Weaviate, Qdrant, Chroma ou pgvector, comparées selon leurs différences pratiques. La récupération combine recherche dense, recherche par mots-clés et reclassement des résultats avant leur transmission au modèle. Un exemple LangGraph sépare la récupération et la génération en deux nœuds afin de pouvoir les mesurer indépendamment.
Compétences similaires
LLM Application Dev
CompétenceSkills RAG, index vectoriels et prompts, rebâtis sur LangGraph
SAST Configuration
CompétenceConfigure Semgrep, CodeQL et SonarQube pour bloquer les vrais problèmes
Sourcegraph
CompétenceRecherche et analyse de code entre plusieurs dépôts
Commentaires(0)
Connectez-vous pour commenter