Compétences embedding-strategies
📦

embedding-strategies

Risque faible

Otimizar Modelos de Embedding para Busca Semântica

Escolher o modelo de embedding e a estratégia de chunking corretos é fundamental para a qualidade da recuperação. Esta skill fornece templates e melhores práticas para implementar pipelines de busca vetorial de alta qualidade.

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". Recomende um modelo de embedding para um sistema de busca de documentos jurídicos. Preciso de alta precisão e posso usar serviços de API.

Résultat attendu:

  • Recomendado: text-embedding-3-large (3072 dimensões) ou voyage-2 (1024 dimensões)
  • text-embedding-3-large: Melhor precisão, lida com 8191 tokens, ideal para cláusulas jurídicas longas
  • voyage-2: Especializado para jurídico/código, 1024 dimensões, limite de 4000 tokens
  • Considere dividir documentos jurídicos por cabeçalhos de seção para preservar contexto de cláusulas

Utilisation de "embedding-strategies". Como devo dividir minha documentação técnica em chunks para um sistema RAG?

Résultat attendu:

  • Estratégia: Use chunking semântico por cabeçalhos combinado com divisão recursiva de caracteres
  • Tamanho de chunk recomendado: 512 tokens com sobreposição de 50 tokens
  • Preserve exemplos de código como chunks completos
  • Adicione metadados de contexto vinculando chunks às seções originais

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

Construir Sistemas RAG

Implementar geração aumentada por recuperação selecionando modelos de embedding e estratégias de chunking apropriados para seu corpus de documentos.

Otimizar Busca Semântica

Melhorar a relevância da busca escolhendo modelos de embedding adequados ao seu tipo de conteúdo e implementando chunking e pré-processamento adequados.

Criar Pipelines de Embedding

Construir pipelines escaláveis que processam documentos, dividem conteúdo em chunks, geram embeddings e preparam registros para bancos de dados vetoriais.

Essayez ces prompts

Selecionar Modelo de Embedding 
Preciso escolher um modelo de embedding para meu [use case: code search / multilingual documents / legal contracts]. Minhas prioridades são [priority: accuracy / cost / speed]. Tenho [constraints: limit on dimensions / need open source / need API access]. Recomende 3 modelos com justificativa.
Implementar Estratégia de Chunking 
Ajude-me a implementar chunking para meu [data type: technical documentation / conversational data / code]. Preciso lidar com [requirement: preserve context / maintain semantic boundaries / limit chunk size]. Forneça código Python para chunking [strategy: token-based / sentence-based / recursive character].
Construir Pipeline de Embedding 
Crie um pipeline Python que [input: processes documents from source / generates embeddings / stores in vector database]. Inclua [feature: batching / progress tracking / metadata handling]. Use [model: OpenAI embeddings / sentence-transformers].
Avaliar Qualidade da Recuperação 
Minha recuperação baseada em embedding tem [problem: low recall / inconsistent results / poor precision]. Minha configuração usa [model details]. Analise causas potenciais e sugira melhorias para [metric: precision at k / recall / ndcg].

Bonnes pratiques

  • Combine o modelo de embedding ao tipo de conteúdo: código, prosa ou multilíngue
  • Normalize embeddings para comparações confiáveis de similaridade de cosseno
  • Use sobreposição de tokens ao dividir em chunks para preservar contexto entre limites

Éviter

  • Misturar diferentes modelos de embedding no mesmo índice
  • Ignorar limites de tokens e truncar conteúdo no meio do pensamento
  • Pular pré-processamento, permitindo que ruído degrade a qualidade do embedding

Foire aux questions

Qual modelo de embedding devo começar a usar?
Comece com text-embedding-3-small para uso geral. Ele equilibra custo e qualidade. Mude para text-embedding-3-large se precisar de maior precisão, ou voyage-2 para conteúdo de código e jurídico.
Como escolho o tamanho do chunk?
512 tokens é um bom ponto de partida para a maioria dos casos de uso. Ajuste com base na complexidade do seu conteúdo e nos limites de tokens do modelo. Sobreponha 50 tokens para manter contexto entre chunks.
Posso usar modelos de embedding locais?
Sim. Sentence-transformers suporta modelos como BAAI/bge-large-en-v1.5 e intfloat/multilingual-e5-large. Estes rodam localmente e funcionam bem para cenários open-source ou offline.
Como avalio a qualidade do meu embedding?
Use as métricas precision@k, recall@k, MRR e NDCG@k. Teste com documentos relevantes conhecidos e compare os resultados recuperados com a verdade fundamental.
Devo normalizar embeddings?
Sim. Normalize embeddings antes de usar similaridade de cosseno. A maioria dos modelos de embedding modernos produz vetores normalizados por padrão, mas modelos locais podem exigir normalização explícita.
Qual pré-processamento devo aplicar?
Remova espaços em branco excessivos, normalize caracteres unicode e filtre caracteres especiais. Mantenha o conteúdo semanticamente significativo. Limpeza específica de domínio pode ser necessária para código ou dados estruturados.

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