Fähigkeiten embedding-strategies
📦

embedding-strategies

Sicher

Оптимизация векторных представлений для семантического поиска

Auch verfügbar von: wshobson

Этот навык помогает разработчикам выбирать и внедрять подходящие модели векторных представлений для векторного поиска, предоставляя шаблоны кода для OpenAI, Sentence Transformers и предметно-ориентированных конвейеров.

Unterstützt: Claude Codex Code(CC)
📊 71 Angemessen
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "embedding-strategies". Как выбрать между text-embedding-3-large и text-embedding-3-small?

Erwartetes Ergebnis:

  • text-embedding-3-large: 3072 измерения, 8191 токен — лучше всего подходит для задач с высокими требованиями к точности
  • text-embedding-3-small: 1536 измерений, 8191 токен — экономичный вариант
  • Выбирайте large для сложных семантических задач, small для приложений с большим объемом

Verwendung von "embedding-strategies". Какая стратегия разбивки на части лучше всего подходит для кода?

Erwartetes Ergebnis:

  • Используйте tree-sitter для анализа структуры кода
  • Разбивайте на части по функциям, классам и методам
  • Включайте окружающий контекст для лучшего извлечения
  • Учитывайте специфичные для языка разделители

Sicherheitsaudit

Sicher
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
Gescannte Dateien
494
Analysierte Zeilen
0
befunde
1
Gesamtzahl Audits
Keine Sicherheitsprobleme gefunden
Auditiert von: claude

Qualitätsbewertung

38
Architektur
100
Wartbarkeit
87
Inhalt
22
Community
100
Sicherheit
100
Spezifikationskonformität

Was du bauen kannst

Создание RAG-приложений

Настройка конвейеров векторных представлений для генерации с дополненным извлечением с оптимальной разбивкой на части и выбором модели

Сравнение моделей векторных представлений

Оценка различных моделей векторных представлений на основе размерности, стоимости и производительности для конкретных доменов

Оптимизация векторного поиска

Улучшение качества семантического поиска с помощью правильной предварительной обработки, разбивки на части и конфигурации векторных представлений

Probiere diese Prompts

Базовая настройка векторных представлений 
Покажите, как начать работу с векторными представлениями OpenAI для RAG-приложения. Включите пакетную обработку и сокращение размерности.
Локальные модели векторных представлений 
Как настроить локальные модели векторных представлений с помощью sentence-transformers? Включите модели BGE и E5 с правильной предварительной обработкой.
Стратегия разбивки на части 
Какую стратегию разбивки на части следует использовать для технической документации? Включите подходы на основе токенов, предложений и семантический подход.
Оценка качества 
Как оценить качество векторных представлений для извлечения? Покажите метрики precision, recall, MRR и NDCG.

Bewährte Verfahren

  • Подбирайте модель векторных представлений под конкретный вариант использования (код, текст, многоязычность)
  • Нормализуйте векторные представления при использовании косинусного сходства для извлечения
  • Кэшируйте векторные представления, чтобы избежать повторных вычислений для повторяющихся запросов

Vermeiden

  • Использование неправильной модели для вашего домена (например, общих векторных представлений для кода)
  • Игнорирование лимитов токенов, что приводит к усечению и потере информации
  • Смешивание моделей векторных представлений в продакшене, что создает несовместимые векторные пространства

Häufig gestellte Fragen

Какая модель векторных представлений лучше всего подходит для RAG?
text-embedding-3-small обеспечивает лучший баланс стоимости и качества для большинства RAG-приложений. Используйте text-embedding-3-large, когда требуется максимальная точность.
Как работать с длинными документами?
Разбивайте документы на части с помощью разбивки на основе токенов или семантической разбивки. Стремитесь к 256-512 токенам на часть с перекрытием для сохранения контекста.
Можно ли использовать векторные представления в автономном режиме?
Да, используйте модели sentence-transformers, такие как BGE или E5. Они работают локально, но требуют больше настроек и вычислительных ресурсов.
Как сократить размерность векторных представлений?
Модели векторных представлений text-embedding-3 от OpenAI поддерживают нативное сокращение размерности. Для других моделей используйте PCA или Matryoshka Representation Learning.
Какие метрики следует отслеживать?
Отслеживайте precision@k, recall@k, MRR и NDCG для качества извлечения. Также отслеживайте задержку и стоимость на векторное представление.
Как обрабатывать многоязычный контент?
Используйте многоязычные модели, такие как multilingual-e5-large или новые модели OpenAI, которые поддерживают более 100 языков нативно.

Entwicklerdetails

Autor

sickn33

Lizenz

MIT

Repository

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

Ref

main

Dateistruktur

📄 SKILL.md