RAG Implementation
Bouwt zoekpijplijnen die antwoorden op echte documenten baseren
Installeren
/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
- Licentie
- MIT
Elke fase van een retrieval-augmented pijplijn wordt bewust gekozen: hoe documenten worden opgesplitst, welk embeddingmodel bij de taal en het budget past en welke vectordatabase wordt gebruikt. Pinecone, Weaviate, Qdrant, Chroma en pgvector worden vergeleken op praktische verschillen, terwijl dense search, zoeken op trefwoorden en reranking worden gecombineerd voordat het resultaat het model bereikt. Een LangGraph-voorbeeld scheidt ophalen en genereren in afzonderlijke knooppunten, zodat beide apart kunnen worden gemeten.
Vergelijkbare skills
LLM Application Dev
SkillBundelt RAG-, vectorindex- en promptskills rond LangGraph
SAST Configuration
SkillStelt Semgrep, CodeQL en SonarQube af op echte bevindingen
Sourcegraph
SkillDoorzoek code en historie over meerdere repositories heen
Reacties(0)
Log in om te reageren