Bases vectorielles

Stockage et recherche d'embeddings : Pinecone, Qdrant, recherche semantique.

18 skills

#	Skill	Source	Description
1	hybrid-search-implementation	wshobson/agents	Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG.	37 256
2	similarity-search-patterns	wshobson/agents	Implémenter une recherche vectorielle sémantique efficace et scalable en production.	37 256
3	vector-index-tuning	wshobson/agents	Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire.	37 256
4	pinecone-rag	github/awesome-copilot	Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone.	35 825
5	azure-search-documents-py	microsoft/skills	Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search.	2 623
6	nemo-retriever	nvidia/skills	Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée.	1 952
7	chromadb	mkurman/zorai	Stocker et interroger des documents via une base vectorielle embarquée avec filtrage sémantique.	315
8	lancedb	mkurman/zorai	Stocker et interroger des vecteurs multimodaux avec LanceDB sans serveur dédié.	315
9	milvus	mkurman/zorai	Déployer et interroger une base vectorielle Milvus pour la recherche de similarité à grande échelle.	315
10	qdrant	mkurman/zorai	Indexer et rechercher des vecteurs dans une base Qdrant haute performance.	315
11	weaviate	mkurman/zorai	Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré.	315
12	iris-development	redis/agent-skills	Gérer la mémoire persistante d'agents IA avec sessions et recherche sémantique Redis.	78
13	redis-semantic-cache	redis/agent-skills	Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence.	78
14	redis-vector-search	redis/agent-skills	Stocker, indexer et rechercher des embeddings dans Redis pour alimenter un pipeline RAG.	78
15	chroma-local	chroma-core/agent-skills	Intégrer Chroma localement pour indexer et interroger des documents via embeddings.	20
16	pinecone-assistant	pinecone-io/skills	Créer, alimenter et interroger un assistant RAG Pinecone via des scripts.	14
17	pinecone-full-text-search	pinecone-io/skills	Créer et interroger un index full-text-search Pinecone avec l'API preview.	14
18	pinecone-quickstart	pinecone-io/skills	Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé.	14

À propos de cette sélection

Relier un LLM à une mémoire persistante exige bien plus qu'un appel HTTP. Il faut créer des collections typées, gérer les namespaces par tenant, calibrer les paramètres HNSW pour que la latence reste acceptable sous charge, et piloter les mises à jour d'embeddings sans corrompre les vecteurs existants. Ce sont ces opérations que couvrent les skills bases vectorielles répertoriés ici. Le profil ciblé est le dev backend ou ML engineer qui intègre de la recherche sémantique dans un pipeline RAG ou un moteur de recommandation. Qdrant concentre une part importante de la sélection, avec des skills dédiés à la migration de modèles, au scaling et à l'optimisation d'indexation. Pinecone est aussi représenté. L'outillage est mature côté SDK, mais reste fragmenté dès qu'on touche à l'observabilité ou au fine-tuning des index en production.