RAG Implementation
Bygger hämtningsflöden som grundar svar i riktiga dokument
Installera
/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.
- Utvecklare
- wshobson
- Licens
- MIT
Varje steg i en retrieval-augmented pipeline får ett medvetet beslut i stället för ett standardval: hur dokument delas upp, vilken embedding-modell som passar språket och budgeten samt vilken vektordatabas som ska användas. Pinecone, Weaviate, Qdrant, Chroma och pgvector jämförs utifrån praktiska skillnader. Hämtning omfattar mer än närmaste-granne-sökning genom att kombinera semantisk sökning och nyckelordssökning samt rangordna om resultaten innan de når modellen. Ett LangGraph-exempel visar hämtning och generering som separata noder så att de kan mätas var för sig.
Liknande färdigheter
LLM Application Dev
FärdighetRAG-, vektorindex- och prompt-skills byggda kring LangGraph
SAST Configuration
FärdighetStäller in Semgrep, CodeQL och SonarQube för relevanta fynd
Sourcegraph
FärdighetKodsökning över flera arkiv för referenser och ändringspåverkan
Kommentarer(0)
Logga in för att kommentera