Habilidades embedding-strategies
📦

embedding-strategies

Seguro

Otimizar Embeddings para Busca Semântica

Também disponível em: wshobson

Esta skill ajuda desenvolvedores a escolher e implementar os modelos de embedding corretos para busca vetorial, fornecendo templates de código para OpenAI, Sentence Transformers e pipelines específicos de domínio.

Suporta: Claude Codex Code(CC)
🥉 75 Bronze
1

Baixar o ZIP da skill

2

Upload no Claude

Vá em Configurações → Capacidades → Skills → Upload skill

3

Ative e comece a usar

Testar

A utilizar "embedding-strategies". Como escolher entre text-embedding-3-large e text-embedding-3-small?

Resultado esperado:

  • text-embedding-3-large: 3072 dimensões, 8191 tokens - Melhor para necessidades de alta acurácia
  • text-embedding-3-small: 1536 dimensões, 8191 tokens - Opção econômica
  • Escolha large para tarefas semânticas complexas, small para aplicações de alto volume

A utilizar "embedding-strategies". Qual é a melhor estratégia de chunking para código?

Resultado esperado:

  • Use tree-sitter para analisar estrutura de código
  • Faça chunk por funções, classes e métodos
  • Inclua contexto circundante para melhor retrieval
  • Considere separadores específicos da linguagem

Auditoria de Segurança

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
Arquivos analisados
494
Linhas analisadas
0
achados
1
Total de auditorias
Nenhum problema de segurança encontrado
Auditado por: claude

Pontuação de qualidade

38
Arquitetura
100
Manutenibilidade
87
Conteúdo
50
Comunidade
100
Segurança
100
Conformidade com especificações

O Que Você Pode Construir

Construir Aplicações RAG

Configurar pipelines de embedding para geração aumentada por retrieval com chunking ótimo e seleção de modelo

Comparar Modelos de Embedding

Avaliar diferentes modelos de embedding baseados em dimensões, custo e performance para domínios específicos

Otimizar Busca Vetorial

Melhorar qualidade de busca semântica através de pré-processamento adequado, chunking e configuração de embedding

Tente Estes Prompts

Configuração Básica de Embedding 
Mostre como começar com embeddings da OpenAI para uma aplicação RAG. Inclua batching e redução de dimensões.
Modelos de Embedding Locais 
Como configuro modelos de embedding locais usando sentence-transformers? Inclua modelos BGE e E5 com pré-processamento adequado.
Estratégia de Chunking 
Qual estratégia de chunking devo usar para documentação técnica? Inclua abordagens baseadas em tokens, sentenças e semântica.
Avaliação de Qualidade 
Como avalio a qualidade dos meus embeddings para retrieval? Mostre métricas como precisão, recall, MRR e NDCG.

Melhores Práticas

  • Combine o modelo de embedding com seu caso de uso específico (código, prosa, multilíngue)
  • Normalize embeddings quando usar similaridade de cosseno para retrieval
  • Faça cache de embeddings para evitar recálculo para queries repetidas

Evitar

  • Usar o modelo errado para seu domínio (ex: embeddings gerais para código)
  • Ignorar limites de tokens que causa truncamento e perda de informação
  • Misturar modelos de embedding em produção que cria espaços vetoriais incompatíveis

Perguntas Frequentes

Qual é o melhor modelo de embedding para RAG?
text-embedding-3-small oferece o melhor equilíbrio de custo e qualidade para a maioria das aplicações RAG. Use text-embedding-3-large quando máxima acurácia for necessária.
Como lido com documentos longos?
Divida documentos em chunks usando chunking baseado em tokens ou semântico. Almeje 256-512 tokens por chunk com sobreposição para preservar contexto.
Posso usar embeddings offline?
Sim, use modelos sentence-transformers como BGE ou E5. Eles rodam localmente mas requerem mais setup e recursos computacionais.
Como reduzo dimensões de embedding?
Modelos text-embedding-3 da OpenAI suportam redução de dimensão nativa. Para outros modelos, use PCA ou Matryoshka Representation Learning.
Quais métricas devo acompanhar?
Acompanhe precision@k, recall@k, MRR e NDCG para qualidade de retrieval. Também monitore latência e custo por embedding.
Como lido com conteúdo multilíngue?
Use modelos multilíngues como multilingual-e5-large ou modelos mais novos da OpenAI que suportam 100+ idiomas nativamente.

Detalhes do Desenvolvedor

Autor

sickn33

Licença

MIT

Repositório

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

Referência

main

Estrutura de arquivos

📄 SKILL.md