hybrid-search-implementation
تنفيذ البحث الهجين لـ RAG
البحث المتجهي النقي يفوت التطابقات الدقيقة بينما البحث بالكلمات المفتاحية يفشل في الاستعلامات الدلالية. توفر هذه المهارة قوالب جاهزة للاستخدام لدمج كلا النهجين باستخدام اندماج RRF والتركيب الخطي وإعادة الترتيب عبر المشفر المتقاطع.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "hybrid-search-implementation". How do I combine vector and keyword search results?
النتيجة المتوقعة:
- Use Reciprocal Rank Fusion (RRF):
- 1. Run both searches to get ranked lists
- 2. For each result, calculate score = sum(weight / (k + rank))
- 3. Fuse by sorting combined scores
- Example:
- vector_results = [('doc1', 0.9), ('doc2', 0.8)]
- keyword_results = [('doc2', 0.95), ('doc3', 0.7)]
- fused = rrf_fusion([vector_results, keyword_results])
- # Returns [('doc2', 0.03), ('doc1', 0.016), ('doc3', 0.016)]
استخدام "hybrid-search-implementation". What's the difference between RRF and linear fusion?
النتيجة المتوقعة:
- RRF (Reciprocal Rank Fusion):
- - Score = sum(1 / (k + rank))
- - Rank-based, no score normalization needed
- - k=60 is standard constant
- - Works well without tuning
- Linear Combination:
- - Score = alpha * vector_score + (1-alpha) * keyword_score
- - Requires score normalization to [0,1]
- - Alpha needs empirical tuning per dataset
- - More controllable but requires tuning
استخدام "hybrid-search-implementation". Should I add reranking to my hybrid search?
النتيجة المتوقعة:
- Yes, reranking improves quality significantly:
- 1. Fetch more candidates from hybrid search (50-100)
- 2. Use cross-encoder to score query-document pairs
- 3. Return top-k reranked results
- Trade-offs:
- - + Better precision and relevance
- - - Additional latency (cross-encoder inference)
- - Model: cross-encoder/ms-marco-MiniLM-L-6-v2 is a good starting point
التدقيق الأمني
آمنAll static findings are false positives. The skill contains documentation templates for hybrid search algorithms (RRF, linear fusion) with PostgreSQL, Elasticsearch, and custom RAG pipelines. Static scanner misidentified mathematical formulas as crypto operations, markdown code fences as command execution, and benign terminology as security risks. No malicious code or credential exfiltration present.
عوامل الخطر
⚡ يحتوي على سكربتات (1)
📁 الوصول إلى نظام الملفات (1)
درجة الجودة
ماذا يمكنك بناءه
بناء أنظمة RAG باستدعاء أفضل
دمج الفهم الدلالي مع التطابق الدقيق لتحسين استرجاع المستندات لسياق نموذج اللغة الكبير. تعامل مع الاستعلامات التي تحتاج إلى التشابه المفاهيمي والمصطلحات المحددة.
تنفيذ البحث المؤسسي
إنشاء أنظمة بحث تجد المحتوى ذي الصلة دلالياً والمستندات التي تحتوي على مصطلحات محددة مثل أكواد المنتجات والأسماء أو المعرفات.
تحسين مقاييس جودة البحث
تطبيق تقنيات الاندماج مثل RRF لتعزيز الاستدعاء دون التضحية بالدقة. سجّل الدرجات الفردية للتحسين ومعالجة أخطاء جودة البحث.
جرّب هذه الموجهات
ساعدني في تنفيذ اندماج الترتيب المتبادل لدمج نتائج البحث المتجهي والكلمي. لدي قائمتان من tuples (doc_id, score). اعرض لي كيفية دمجها.
اعرض لي كيفية إعداد جدول PostgreSQL مع pgvector للتضمينات و tsvector للبحث النصي الكامل. يتضمن تعريفات فهارس HNSW و GIN.
ساعدني في كتابة استعلام بحث هجين في Elasticsearch يدمج dense vector kNN مع مطابقة نصية BM25 باستخدام ميزة RRF rank.
أنشئ فئة HybridRAGPipeline كاملة تنفذ البحث المتجهي والكلمي بالتوازي، وتدمج النتائج مع طرق قابلة للتكوين (RRF أو خطي)، وتعيد الترتيب اختيارياً باستخدام مشفر متقاطع.
أفضل الممارسات
- ابدأ باندماج RRF لأنه يعمل جيداً دون ضبط المعاملات. استخدم k=60 كمعامل قياسي.
- احصل على مرشحين أكثر من عمليات البحث الفردية (3 ضعف الحد النهائي) قبل الاندماج لضمان استدعاء جيد.
- سجّل درجات المتجه والكلمات المفتاحية بشكل منفصل أثناء التطوير. يساعد هذا في معالجة الأخطاء عندما تكون النتائج مفقودة.
- استخدم إعادة الترتيب عبر المشفر المتقاطع لأنظمة الإنتاج. التحسن في الجودة ملحوظ.
تجنب
- لا تفترض أن وزن اندماج واحد يعمل لجميع الاستعلامات. بعض الاستعلامات تحتاج إلى مزيد من المطابقة الدلالية بينما تحتاج أخرى إلى مطابقة الكلمات المفتاحية.
- لا تتخطَ البحث بالكلمات المفتاحية تماماً. التطابق الدقيق للمصطلحات يتعامل مع الأسماء والأكواد والعبارات المحددة بشكل أفضل من المتجهات.
- لا تستقبل عدداً كبيراً جداً من المرشحين. وازن بين احتياجات الاستدعاء و زمن الاستجابة. 50-100 مرشح قبل إعادة الترتيب عادة ما يكون كافياً.