Compétences embedding-strategies
📦

embedding-strategies

Risque faible

Оптимизация моделей эмбеддингов для семантического поиска

Выбор правильной модели эмбеддингов и стратегии чанкинга критически важен для качества поиска. Этот навык предоставляет шаблоны и лучшие практики для реализации высококачественных конвейеров векторного поиска.

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". Recommend an embedding model for a legal document search system. I need high accuracy and can use API services.

Résultat attendu:

  • Recommended: text-embedding-3-large (3072 dimensions) or voyage-2 (1024 dimensions)
  • text-embedding-3-large: Best accuracy, handles 8191 tokens, ideal for long legal clauses
  • voyage-2: Specialized for legal/code, 1024 dimensions, 4000 token limit
  • Consider chunking legal documents by section headers to preserve clause context

Utilisation de "embedding-strategies". How should I chunk my technical documentation for a RAG system?

Résultat attendu:

  • Strategy: Use semantic chunking by headers combined with recursive character splitting
  • Recommended chunk size: 512 tokens with 50 token overlap
  • Preserve code examples as complete chunks
  • Add context metadata linking chunks to original sections

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

Создание систем RAG

Реализация поиска с дополнением генерации путём выбора подходящих моделей эмбеддингов и стратегий чанкинга для вашего корпуса документов.

Оптимизация семантического поиска

Улучшение релевантности поиска путём выбора моделей эмбеддингов, соответствующих типу вашего контента, и реализации правиль��ого чанкинга и предобработки.

Создание конвейеров эмбеддингов

Создание масштабируемых конвейеров, которые обрабатывают документы, разбивают контент на чанки, генерируют эмбеддинги и подготавливают записи для векторных баз данных.

Essayez ces prompts

Выбор модели эмбеддингов 
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.
Реализация стратегии чанкинга 
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.
Создание конвейера эмбеддингов 
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].
Оценка качества поиска 
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

  • Сопоставьте модель эмбеддингов с типом контента: код, проза или многоязычный контент
  • Нормализуйте эмбеддинги для надёжного сравнения косинусного сходства
  • Используйте перекрытие токенов при чанкинге для сохранения контекста через границы чанков

Éviter

  • Смешивание разных моделей эмбеддингов в одном индексе
  • Игнорирование лимитов токенов и обрезка контента на полуслове
  • Пропуск предобработки, позволяя шуму ухудшать качество эмбеддингов

Foire aux questions

Какую модель эмбеддингов мне использовать для начала?
Начните с text-embedding-3-small для общего использования. Это оптимальный баланс стоимости и качества. Перейдите на text-embedding-3-large, если вам нужна более высокая точность, или voyage-2 для кода и юридического контента.
Как выбрать размер чанка?
512 токенов — хорошая отправная точка для большинства случаев использования. Корректируйте в зависимости от сложности вашего контента и лимитов токенов модели. Перекрывайте на 50 токенов для сохранения контекста между чанками.
Могу ли я использовать локальные модели эмбеддингов?
Да. Sentence-transformers поддерживает такие модели, как BAAI/bge-large-en-v1.5 и intfloat/multilingual-e5-large. Они работают локально и хорошо подходят для сценариев с открытым исходным кодом или офлайн-работы.
Как оценить качество моих эмбеддингов?
Используйте метрики precision@k, recall@k, MRR и NDCG@k. Тестируйте с заранее известными релевантными документами и сравнивайте извлечённые результаты с эталонными данными.
Следует ли нормализовать эмбеддинги?
Да. Нормализуйте эмбеддинги перед использованием косинусного сходства. Большинство современных моделей эмбеддингов по умолчанию создают нормализованные векторы, но локальные модели могут требовать явной нормализации.
Какую предобработку следует применить?
Удалите избыточные пробелы, нормализуйте символы Unicode и фильтруйте специальные символы. Сохраняйте семантическую значимость контента. Для кода или структурированных данных может потребоваться специфическая для домена очистка.

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