hybrid-search-implementation
Hybride Suche für RAG-Systeme implementieren
Auch verfügbar von: wshobson
Reine Vektor- oder Keyword-Suche allein verfehlt oft relevante Ergebnisse. Dieses Skill bietet bewährte Muster für die Kombination beider Ansätze, um eine überlegene Retrieval-Genauigkeit zu erreichen.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "hybrid-search-implementation". Benutzer sucht nach 'authentication error 401' in API-Dokumentation
Erwartetes Ergebnis:
Hybride Suche gibt Dokumente zurück, die sowohl dem semantischen Konzept von Authentifizierungsfehlern ALS auch exakte Übereinstimmungen für Fehlercode 401 entsprechen, rangiert nach kombinierter Relevanzbewertung.
Verwendung von "hybrid-search-implementation". Entwickler fragt nach 'how to paginate results' in SDK-Dokumenten
Erwartetes Ergebnis:
Vektorsuche findet semantisch verwandte Paginierungsmuster, während Keyword-Suche sicherstellt, dass exakte Übereinstimmungen für 'limit', 'offset', 'cursor' Terminologie in den Ergebnissen enthalten sind.
Sicherheitsaudit
SicherStatic analysis flagged 55 patterns but all are false positives. Files are markdown documentation with Python code samples. Backticks are markdown formatting not shell execution. URLs are documentation references not network calls. No cryptographic operations, credential access, or system commands detected. Skill is safe for publication.
Qualitätsbewertung
Was du bauen kannst
RAG-System-Entwickler
Erstellen Sie Retrieval-augmented Generation-Systeme mit verbesserter Recall, indem Sie semantische Vektorsuche mit exakter Keyword-Übereinstimmung für technische Begriffe und Produktcodes kombinieren.
Suchmaschinen-Entwickler
Implementieren Sie Unternehmenssuche, die sowohl konzeptuelle Abfragen (über Embeddings) als auch präzise Term-Übereinstimmung (über BM25) für umfassende Ergebnisse verarbeitet.
Knowledge-Base-Architekt
Erstellen Sie Dokumentationssuche, die Benutzerabsichten semantisch versteht und gleichzeitig exakte Übereinstimmungen für Fehlercodes, API-Namen und Versionsnummern findet.
Probiere diese Prompts
Ich muss hybride Suche für mein RAG-System implementieren. Zeigen Sie mir, wie ich Vektor-Embeddings mit Keyword-Suche mit Rezipienter-Rang-Fusion in Python kombinieren kann.
Helfen Sie mir, hybride Suche in PostgreSQL mit pgvector für Embeddings und integrierter Volltextsuche einzurichten. Ich benötige SQL-Schema-Erstellung und Abfragebeispiele mit RRF-Fusion.
Zeigen Sie mir, wie ich Elasticsearch für hybride Suche konfigurieren kann, die dichte Vektorähnlichkeit mit BM25-Textsuche kombiniert. Einschließlich Index-Mapping, Suchabfragen und RRF-Konfiguration für Elasticsearch 8.x.
Erstellen Sie eine vollständige hybride RAG-Pipeline, die Kandidaten mit Vektor- und Keyword-Suche abruft, Ergebnisse mit RRF zusammenführt und dann Top-Kandidaten mit einem Cross-Encoder-Modell neu rankt. Einschließlich asynchroner Python-Implementierung mit konfigurierbaren Gewichten.
Bewährte Verfahren
- Passen Sie Fusionsgewichte empirisch an Ihren Datensatz an - RRF mit k=60 funktioniert gut als Ausgangspunkt, aber das optimale Gleichgewicht hängt von Ihrem Inhalt ab
- Inkludieren Sie immer Cross-Encoder Re-Ranking für Produktionssysteme - die Qualitätsverbesserung rechtfertigt die zusätzliche Latenz für Top-K-Kandidaten
- Protokollieren Sie während der Entwicklung sowohl individuelle als auch fusionierte Bewertungen, um zu verstehen, welche Abfragen von jeder Suchmethode profitieren
Vermeiden
- Nur Vektorsuche für Domänen mit Exact-Match-Anforderungen wie Produktcodes, Fehlermeldungen oder Versionsnummern verwenden
- Zu viele Kandidaten vor der Fusion abzurufen, was die Latenz erhöht, ohne die Ergebnisqualität zu verbessern
- Annehmen, dass feste Fusionsgewichte für alle Abfragetypen ohne A/B-Tests oder Abfrage-Level-Optimierung funktionieren
Häufig gestellte Fragen
Wann sollte ich RRF versus lineare Fusion verwenden?
Wie viele Kandidaten sollte ich vor der Fusion abrufen?
Ist Cross-Encoder Re-Ranking die Rechenkosten wert?
Kann ich hybride Suche mit bestehenden Vektordatenbanken verwenden?
Welche Embedding-Modelle funktionieren am besten für hybride Suche?
Wie gehe ich mit Abfragen um, die rein semantisch oder rein keyword-basiert sind?
Entwicklerdetails
Autor
sickn33Lizenz
MIT
Repository
https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/hybrid-search-implementationRef
main
Dateistruktur