RAG Implementation
Создаёт поисковые конвейеры с опорой на реальные документы
Установка
/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.
- Автор
- wshobson
- Лицензия
- MIT
Для каждого этапа RAG-конвейера принимается отдельное решение: как разбивать документы, какая модель эмбеддингов подходит по языку и бюджету и какое векторное хранилище использовать — Pinecone, Weaviate, Qdrant, Chroma или pgvector сравниваются по практическим различиям. Поиск не ограничивается ближайшими соседями: плотный поиск сочетается с поиском по ключевым словам, а результаты переранжируются перед передачей модели. Пример на LangGraph разделяет поиск и генерацию на отдельные узлы, чтобы оценивать их независимо.
Похожие навыки
LLM Application Dev
НавыкНавыки RAG, векторных индексов и промптинга на базе LangGraph
SAST Configuration
НавыкНастраивает Semgrep, CodeQL и SonarQube для реальных угроз
Sourcegraph
НавыкПоиск кода, связей и истории изменений между репозиториями
Комментарии(0)
Войдите, чтобы комментировать