Оптимизация стратегий эмбеддингов
Командам часто сложно выбрать модели эмбеддингов, размеры чанков и методы оценки для систем поиска. Этот навык предоставляет практические шаблоны и рекомендации по принятию решений для приложений семантического поиска и RAG.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "embedding-strategies" from https://skillstore.io/skills/wshobson-embedding-strategies.md and its manifest at https://skillstore.io/api/skills/wshobson-embedding-strategies/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «embedding-strategies». Команде нужны эмбеддинги для базы знаний поддержки с короткими статьями и многоязычными тикетами.
Ожидаемый результат:
Краткий список моделей с поддержкой многоязычности, план чанкинга с учетом предложений, поля метаданных и метрики поиска для валидации.
Использование «embedding-strategies». Проект поиска по коду возвращает нерелевантные функции для запросов на естественном языке.
Ожидаемый результат:
План эмбеддингов, ориентированный на код, который сохраняет контекст классов и функций, оценивает пары запрос-документ и избегает смешивания пространств моделей.
Использование «embedding-strategies». У RAG-системы высокая стоимость и медленное индексирование длинных документов.
Ожидаемый результат:
Анализ пакетной обработки и размера чанков с вариантами меньших размерностей, кэширования и целевого повторного создания эмбеддингов для измененного контента.
All static detections are false positives caused by Markdown code fences, documentation links, and ordinary variable text. No prompt injection attempt, covert exfiltration intent, command execution, or system reconnaissance behavior was found in SKILL.md.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/wshobson-embedding-strategies/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/wshobson-embedding-strategies?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/wshobson-embedding-strategies?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/wshobson-embedding-strategies/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/wshobson-embedding-strategies.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>wshobson. (2026). embedding-strategies security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/wshobson-embedding-strategies/audits/9@techreport{wshobson-wshobson-embedding-strategies-2026,
author = {wshobson},
title = {embedding-strategies security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/wshobson-embedding-strategies/audits/9},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "embedding-strategies security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "wshobson"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/wshobson-embedding-strategies/audits/9"
identifiers:
- type: other
value: "skillstore:wshobson-embedding-strategies:audit:9"
description: "Skillstore immutable audit report identifier"
Навык каждого автора остаётся отдельным устанавливаемым вариантом. Рекомендуемый вариант ранжируется по данным Skillstore.
Почему этот вариант первый
wshobson-embedding-strategies
2026-09-09
sickn33-embedding-strategies
2026-09-09
Выберите модель, метод чанкинга и план оценки для базы знаний или ассистента по документации.
Сравните метрики поиска и настройте размер чанка, перекрытие, предварительную обработку и выбор модели.
Адаптируйте рабочие процессы эмбеддингов для юридических, кодовых, многоязычных или специализированных коллекций документов.
Помогите мне выбрать модель эмбеддингов для приложения семантического поиска. Мой корпус — [describe documents], пользователи задают [describe queries], а мой бюджет — [budget].
Порекомендуйте стратегию чанкинга для [document type]. Включите размер чанка, перекрытие, предварительную обработку, метаданные и риски для качества поиска.
Создайте план оценки, сравнивающий [model A], [model B] и [model C]. Используйте precision, recall, MRR и NDCG с размеченным набором запросов.
Спроектируйте доменный пайплайн эмбеддингов для [domain]. Охватите выбор модели, чанкинг, метаданные, пакетную обработку, кэширование, мониторинг и обработку сбоев.
Автор
wshobsonЛицензия
MIT
Ревизия Skillstore
r1
Примечание о версии
Автор не указал версию.
Репозиторий
https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/embedding-strategiesСсылка
36e07d5e13068e5be64447e8f20b427cf2cbd21a
Актуальность поддержки
23.07.2026
Использование
8 загрузок · 221 просмотров
Структура файлов
📄 SKILL.md
Оптимизация промптов LLM для продакшена
Промпты LLM часто дают сбой из-за неясных инструкций, примеров и критериев оценки. Этот навык предоставляет шаблоны и рабочие процессы для улучшения промптов в Claude, Codex, Claude Code и похожих инструментах.
Управление разработкой на основе контекста
Проекты с поддержкой ИИ теряют согласованность, когда продуктовые цели, выбор стека и правила рабочего процесса разрознены. Этот навык направляет Claude, Codex и Claude Code с помощью контекстных артефактов Conductor.
Создание финансовых моделей для стартапов
Командам стартапов нужны понятные прогнозы, прежде чем они смогут планировать найм, привлечение финансирования и использование денежных средств. Этот навык структурирует выручку, затраты, runway и сценарии в практические результаты для финансового планирования.
Проектируйте KPI-дашборды, которые помогают принимать решения
Команды часто создают дашборды, которые показывают множество чисел, но не помогают перейти к действию. Этот навык помогает Claude, Codex и Claude Code выбирать значимые KPI, структурировать представления и понятно представлять метрики.
Пишите безобвинительные постмортемы инцидентов
Разборы инцидентов часто становятся непоследовательными, сфокусированными на поиске виновных или сложными для практического применения. Этот навык помогает Claude, Codex и Claude Code составлять структурированные постмортемы с четкими таймлайнами, корневыми причинами и ответственными.
Создавайте понятные истории на основе данных
Сырые метрики часто не убеждают заинтересованные стороны и не помогают принимать решения. Этот skill помогает Claude, Codex и Claude Code превращать анализ в понятные повествования, визуализации и рекомендации.
Создание семантического поиска AgentDB
от DNYoussef
Командам нужен релевантный поиск документов для RAG и баз знаний. Этот навык помогает настроить AgentDB, хранение эмбеддингов, индексирование, API-поиск и настройку релевантности.
Создание надежных RAG-систем
от sickn33
RAG-проекты часто терпят неудачу, потому что качество извлечения слабое или не измеряется. Этот навык помогает выбирать подходы к разбиению на фрагменты, эмбеддингам, векторному поиску, гибридному извлечению, переранжированию и оценке.
Создание векторного поиска AgentDB
от DNYoussef
Командам нужно быстрое семантическое извлечение для документов, RAG-систем и баз знаний. Этот навык предоставляет настройку AgentDB, шаблоны поиска и рекомендации по тюнингу.
Создание систем векторного поиска
от sickn33
Проекты векторного поиска требуют четких архитектурных решений до того, как команды выберут индекс или базу данных. Этот навык помогает проектировать извлечение данных, стратегию эмбеддингов и настройку производственных систем.
Создание production-систем ML и RAG
от davila7
Production-системы ML сложно последовательно проектировать, развертывать и мониторить. Этот навык помогает с MLOps, интеграцией LLM, архитектурой RAG и локальными заготовками рабочих процессов.
Оптимизация векторного поиска AgentDB
от DNYoussef
Большие векторные базы данных могут становиться медленными, требовательными к памяти и сложными для бенчмаркинга. Этот навык предоставляет структурированный рабочий процесс оптимизации AgentDB для квантования, индексации HNSW, кэширования и проверки.