RAG Implementation
Buduje pipeline’y wyszukiwania oparte na rzeczywistych dokumentach
Instalacja
/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
- Licencja
- MIT
Każdy etap pipeline’u RAG wymaga świadomej decyzji: jak dzielić dokumenty, który model embeddingowy pasuje do języka i budżetu oraz którą bazę wektorową wybrać — Pinecone, Weaviate, Qdrant, Chroma czy pgvector — na podstawie praktycznych różnic. Wyszukiwanie łączy metody gęste i słowa kluczowe, a wyniki są ponownie porządkowane przed przekazaniem do modelu. Przykład w LangGraph rozdziela wyszukiwanie i generowanie na osobne węzły, aby każdy etap można było mierzyć niezależnie.
Podobne umiejętności
LLM Application Dev
UmiejętnośćSkills RAG, indeksów wektorowych i promptów oparte na LangGraph
SAST Configuration
UmiejętnośćKonfiguruje Semgrep, CodeQL i SonarQube pod realne zagrożenia
Sourcegraph
UmiejętnośćWyszukuje kod i śledzi zależności między repozytoriami
Komentarze(0)
Zaloguj się, aby skomentować