Habilidades embedding-strategies
📦

embedding-strategies

Seguro

Optimizar Embeddings para Búsqueda Semántica

También disponible en: wshobson

Esta skill ayuda a los desarrolladores a elegir e implementar los modelos de embedding correctos para búsqueda vectorial, proporcionando plantillas de código para OpenAI, Sentence Transformers y pipelines específicos de dominio.

Soporta: Claude Codex Code(CC)
🥉 75 Bronce
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "embedding-strategies". ¿Cómo elijo entre text-embedding-3-large y text-embedding-3-small?

Resultado esperado:

  • text-embedding-3-large: 3072 dimensiones, 8191 tokens - Mejor para necesidades de alta precisión
  • text-embedding-3-small: 1536 dimensiones, 8191 tokens - Opción rentable
  • Elige large para tareas semánticas complejas, small para aplicaciones de alto volumen

Usando "embedding-strategies". ¿Cuál es la mejor estrategia de chunking para código?

Resultado esperado:

  • Usa tree-sitter para analizar la estructura del código
  • Divide en funciones, clases y métodos
  • Incluye contexto circundante para mejor recuperación
  • Considera separadores específicos del lenguaje

Auditoría de seguridad

Seguro
v1 • 2/24/2026

This skill provides educational content about embedding strategies for RAG applications. All static findings are false positives: code blocks are markdown documentation examples, URLs are legitimate documentation links, and no cryptographic algorithms or system reconnaissance behavior is present. Safe for publication.

1
Archivos escaneados
494
Líneas analizadas
0
hallazgos
1
Auditorías totales
No se encontraron problemas de seguridad
Auditado por: claude

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
50
Comunidad
100
Seguridad
100
Cumplimiento de la especificación

Lo que puedes crear

Construir Aplicaciones RAG

Configura pipelines de embedding para generación aumentada de recuperación con chunking óptimo y selección de modelo

Comparar Modelos de Embedding

Evalúa diferentes modelos de embedding basados en dimensiones, costo y rendimiento para dominios específicos

Optimizar Búsqueda Vectorial

Mejora la calidad de búsqueda semántica a través de preprocesamiento adecuado, chunking y configuración de embedding

Prueba estos prompts

Configuración Básica de Embedding 
Muéstrame cómo comenzar con embeddings de OpenAI para una aplicación RAG. Incluye reducción de dimensiones y procesamiento por lotes.
Modelos de Embedding Locales 
¿Cómo configuro modelos de embedding locales usando sentence-transformers? Incluye modelos BGE y E5 con preprocesamiento adecuado.
Estrategia de Chunking 
¿Qué estrategia de chunking debo usar para documentación técnica? Incluye enfoques basados en tokens, oraciones y semánticos.
Evaluación de Calidad 
¿Cómo evalúo la calidad de mis embeddings para recuperación? Muestra métricas como precisión, recall, MRR y NDCG.

Mejores prácticas

  • Haz coincidir el modelo de embedding con tu caso de uso específico (código, prosa, multilingüe)
  • Normaliza los embeddings cuando uses similitud coseno para recuperación
  • Guarda en caché los embeddings para evitar recalcular consultas repetidas

Evitar

  • Usar el modelo incorrecto para tu dominio (ej. embeddings generales para código)
  • Ignorar los límites de tokens que causa truncamiento y pérdida de información
  • Mezclar modelos de embedding en producción que crea espacios vectoriales incompatibles

Preguntas frecuentes

¿Cuál es el mejor modelo de embedding para RAG?
text-embedding-3-small ofrece el mejor equilibrio de costo y calidad para la mayoría de las aplicaciones RAG. Usa text-embedding-3-large cuando se requiera máxima precisión.
¿Cómo manejo documentos largos?
Divide los documentos en chunks usando chunking basado en tokens o semántico. Apunta a 256-512 tokens por chunk con superposición para preservar el contexto.
¿Puedo usar embeddings sin conexión?
Sí, usa modelos de sentence-transformers como BGE o E5. Se ejecutan localmente pero requieren más configuración y recursos computacionales.
¿Cómo reduzco las dimensiones del embedding?
Los modelos text-embedding-3 de OpenAI soportan reducción de dimensiones nativa. Para otros modelos, usa PCA o Matryoshka Representation Learning.
¿Qué métricas debo rastrear?
Rastrea precision@k, recall@k, MRR y NDCG para calidad de recuperación. También monitorea latencia y costo por embedding.
¿Cómo manejo contenido multilingüe?
Usa modelos multilingües como multilingual-e5-large o los nuevos modelos de OpenAI que soportan más de 100 idiomas nativamente.

Detalles del desarrollador

Autor

sickn33

Licencia

MIT

Repositorio

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/embedding-strategies

Ref.

main

Estructura de archivos

📄 SKILL.md