Compétences embedding-strategies
📦

embedding-strategies

Risque faible

セマンティック検索のための埋め込みモデルの最適化

適切な埋め込みモデルとチャンキング戦略の選択は、検索品質にとって重要です。このスキルは、高品質なベクトル検索パイプラインを実装するためのテンプレートとベストプラクティスを提供します。

Prend en charge: Claude Codex Code(CC)
⚠️ 68 Médiocre
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "embedding-strategies". 法律文書検索システムに適した埋め込みモデルを推奨してください。高精度が必要で、APIサービスを使用できます。

Résultat attendu:

  • 推奨: text-embedding-3-large (3072次元) または voyage-2 (1024次元)
  • text-embedding-3-large: 最高精度、8191トークンを処理、長い法律条項に最適
  • voyage-2: 法律/コード専用、1024次元、4000トークン制限
  • 条項のコンテキストを保持するために、セクションヘッダーで法律文書をチャンキングすることを検討してください

Utilisation de "embedding-strategies". RAGシステム用の技術ドキュメントをどのようにチャンキングすべきですか?

Résultat attendu:

  • 戦略: ヘッダーによるセマンティックチャンキングと再帰的文字分割を組み合わせて使用
  • 推奨チャンクサイズ: 512トークン、50トークンのオーバーラップ
  • コード例を完全なチャンクとして保持
  • チャンクを元のセクションにリンクするコンテキストメタデータを追加

Audit de sécurité

Risque faible
v5 • 1/21/2026

All static findings are false positives. C2 keyword alerts triggered by hash hex strings. Weak crypto alerts from hash substrings. External command alerts from ASCII flow diagrams using arrows. Hardcoded URL alerts are legitimate documentation links. No malicious code, command execution, or data exfiltration patterns found.

2
Fichiers analysés
818
Lignes analysées
0
résultats
5
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude Voir l’historique des audits →

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
21
Communauté
90
Sécurité
91
Conformité aux spécifications

Ce que vous pouvez construire

RAGシステムの構築

ドキュメントコーパスに適した埋め込みモデルとチャンキング戦略を選択することで、検索拡張生成を実装します。

セマンティック検索の最適化

コンテンツタイプに適した埋め込みモデルを選択し、適切なチャンキングと前処理を実装することで、検索の関連性を向上させます。

埋め込みパイプラインの作成

ドキュメントを処理し、コンテンツをチャンキングし、埋め込みを生成し、ベクトルデータベース用のレコードを準備するスケーラブルなパイプラインを構築します。

Essayez ces prompts

埋め込みモデルの選択 
I need to choose an embedding model for my [use case: code search / multilingual documents / legal contracts]. My priorities are [priority: accuracy / cost / speed]. I have [constraints: limit on dimensions / need open source / need API access]. Recommend 3 models with rationale.
チャンキング戦略の実装 
Help me implement chunking for my [data type: technical documentation / conversational data / code]. I need to handle [requirement: preserve context / maintain semantic boundaries / limit chunk size]. Provide Python code for [strategy: token-based / sentence-based / recursive character] chunking.
埋め込みパイプラインの構築 
Create a Python pipeline that [input: processes documents from source / generates embeddings / stores in vector database]. Include [feature: batching / progress tracking / metadata handling]. Use [model: OpenAI embeddings / sentence-transformers].
検索品質の評価 
My embedding-based retrieval has [problem: low recall / inconsistent results / poor precision]. My setup uses [model details]. Analyze potential causes and suggest improvements for [metric: precision at k / recall / ndcg].

Bonnes pratiques

  • 埋め込みモデルをコンテンツタイプに適合させる: コード、散文、または多言語
  • 信頼性の高いコサイン類似度比較のために埋め込みを正規化
  • 境界を越えてコンテキストを保持するために、チャンキング時にトークンのオーバーラップを使用

Éviter

  • 同じインデックスで異なる埋め込みモデルを混在させる
  • トークン制限を無視し、思考の途中でコンテンツを切り捨てる
  • 前処理をスキップし、ノイズが埋め込み品質を低下させることを許容する

Foire aux questions

どの埋め込みモデルから始めるべきですか?
一般的な用途には text-embedding-3-small から始めてください。コストと品質のバランスが取れています。より高い精度が必要な場合は text-embedding-3-large に切り替えるか、コードや法律コンテンツには voyage-2 を使用してください。
チャンクサイズをどのように選択しますか?
ほとんどのユースケースでは512トークンが良い出発点です。コンテンツの複雑さとモデルのトークン制限に基づいて調整してください。チャンク間のコンテキストを維持するために50トークンのオーバーラップを設定してください。
ローカル埋め込みモデルを使用できますか?
はい。Sentence-transformersは BAAI/bge-large-en-v1.5 や intfloat/multilingual-e5-large などのモデルをサポートしています。これらはローカルで実行でき、オープンソースやオフラインシナリオで適切に機能します。
埋め込み品質をどのように評価しますか?
precision@k、recall@k、MRR、NDCG@kメトリクスを使用してください。既知の関連ドキュメントでテストし、検索結果を正解データと比較してください。
埋め込みを正規化すべきですか?
はい。コサイン類似度を使用する前に埋め込みを正規化してください。最新の埋め込みモデルのほとんどはデフォルトで正規化されたベクトルを生成しますが、ローカルモデルでは明示的な正規化が必要な場合があります。
どのような前処理を適用すべきですか?
過剰な空白を削除し、Unicode文字を正規化し、特殊文字をフィルタリングします。コンテンツを意味的に意味のあるものに保ちます。コードや構造化データには、ドメイン固有のクリーニングが必要な場合があります。

Détails du développeur

Auteur

wshobson

Licence

MIT

Dépôt

https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/embedding-strategies

Réf

main

Structure de fichiers

📄 SKILL.md