RAG Implementation
Crea pipeline di recupero basate su documenti reali
Installazione
/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.
- Autore
- wshobson
- Licenza
- MIT
Ogni fase di una pipeline RAG viene configurata in modo esplicito: come suddividere i documenti, quale modello di embedding scegliere in base a lingua e budget e quale database vettoriale usare tra Pinecone, Weaviate, Qdrant, Chroma e pgvector, confrontandone le differenze pratiche. Il recupero non si limita alla ricerca dei vicini più prossimi, ma combina ricerca densa e per parole chiave, riordinando i risultati prima di passarli al modello. Un esempio con LangGraph separa recupero e generazione in nodi distinti, così da poterli misurare singolarmente.
Skill simili
LLM Application Dev
SkillSkill RAG, indici vettoriali e prompt basate su LangGraph
SAST Configuration
SkillConfigura Semgrep, CodeQL e SonarQube per bloccare rischi reali
Sourcegraph
SkillRicerca codice e impatto delle modifiche tra repository
Commenti(0)
Accedi per commentare