Bases vectorielles

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

78 skills

# Skill Source Description Maj
1 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 35 826 15j
2 qdrant-hybrid-search-combining qdrant/skills Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. 181 22j
3 qdrant-hybrid-search-prefetches qdrant/skills Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. 181 22j
4 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 181 22j
5 qdrant-relevance-feedback qdrant/skills Calibrer et utiliser la recherche vectorielle enrichie par retour de pertinence avec Qdrant. 181 22j
6 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 181 24j
7 qdrant-deployment-options qdrant/skills Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 181 24j
8 qdrant-monitoring qdrant/skills Surveiller et diagnostiquer les performances d'un déploiement Qdrant en production. 181 24j
9 qdrant-monitoring-debugging qdrant/skills Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. 181 24j
10 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 181 24j
11 qdrant-memory-usage-optimization qdrant/skills Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. 181 24j
12 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 181 24j
13 qdrant-minimize-latency qdrant/skills Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. 181 24j
14 qdrant-horizontal-scaling qdrant/skills Configurer et dimensionner un cluster Qdrant distribué pour maximiser capacité et tolérance aux pannes. 181 24j
15 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 181 24j
16 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 181 24j
17 qdrant-vertical-scaling qdrant/skills Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 181 24j
18 qdrant-scaling-qps qdrant/skills Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. 181 24j
19 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 181 24j
20 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 181 24j
21 qdrant-search-strategies qdrant/skills Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. 181 24j
22 qdrant-hybrid-search qdrant/skills Construire des pipelines de recherche hybride dans Qdrant via l'API Query. 181 24j
23 qdrant-version-upgrade qdrant/skills Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 181 24j
24 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 1 960 28j
25 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 78 1mo
26 iris-development redis/agent-skills Gérer la mémoire persistante d'agents IA avec sessions et recherche sémantique Redis. 78 1mo
27 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 78 1mo
28 redis-vector-search redis/agent-skills Stocker, indexer et rechercher des embeddings dans Redis pour alimenter un pipeline RAG. 78 1mo
29 redis-query-engine redis/agent-skills Concevoir et optimiser des index Redis Query Engine pour rechercher des documents efficacement. 78 1mo
30 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 37 258 1mo
31 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 37 258 1mo
32 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 37 258 1mo
33 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 37 258 1mo
34 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 37 258 1mo
35 pinecone-help pinecone-io/skills Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. 14 1mo
36 pinecone-n8n pinecone-io/skills Construire des workflows n8n avec les nœuds Pinecone selon les bonnes pratiques. 14 1mo
37 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 14 1mo
38 pinecone-docs pinecone-io/skills Accéder et interroger la documentation Pinecone pour implémenter des index vectoriels. 14 1mo
39 chromadb mkurman/zorai Stocker et interroger des documents via une base vectorielle embarquée avec filtrage sémantique. 315 1mo
40 weaviate mkurman/zorai Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré. 315 1mo
41 lancedb mkurman/zorai Stocker et interroger des vecteurs multimodaux avec LanceDB sans serveur dédié. 315 1mo
42 milvus mkurman/zorai Déployer et interroger une base vectorielle Milvus pour la recherche de similarité à grande échelle. 315 1mo
43 qdrant mkurman/zorai Indexer et rechercher des vecteurs dans une base Qdrant haute performance. 315 1mo
44 signals posthog/skills Interroger sémantiquement les signaux bruts du produit via HogQL sur ClickHouse. 48 1mo
45 azure-search-documents-py microsoft/skills Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search. 2 624 2mo
46 azure-search-documents-ts microsoft/skills Implémenter la recherche vectorielle, hybride et sémantique avec Azure AI Search en TypeScript. 2 624 2mo
47 qdrant-search-speed-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. 35 826 2mo
48 qdrant-scaling github/awesome-copilot Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 35 826 2mo
49 qdrant-minimize-latency github/awesome-copilot Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. 35 826 2mo
50 qdrant-scaling-data-volume github/awesome-copilot Scaler des volumes de données massifs via multi-tenancy, fenêtre temporelle ou sharding distribué. 35 826 2mo

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.