RAG Implementation
Cria pipelines de busca que baseiam respostas em documentos reais
Instalação
/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
- Licença
- MIT
Cada etapa do pipeline de geração aumentada por recuperação é escolhida de forma consciente: como dividir os documentos, qual modelo de embeddings combina com o idioma e o orçamento e qual banco vetorial usar — Pinecone, Weaviate, Qdrant, Chroma ou pgvector, comparados por suas diferenças práticas. A recuperação vai além da busca por vizinhos mais próximos: combina busca densa e por palavras-chave e reordena os resultados antes de enviá-los ao modelo. Um exemplo com LangGraph separa recuperação e geração em nós distintos, permitindo medir cada etapa individualmente.
Skills semelhantes
LLM Application Dev
SkillReúne skills de RAG, índices vetoriais e prompts com LangGraph
SAST Configuration
SkillConfigura Semgrep, CodeQL e SonarQube para bloquear falhas reais
Sourcegraph
SkillBusca e análise de impacto em vários repositórios
Comentários(0)
Entre para comentar