Bases vectorielles

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

86 skills

# Skill Source Description Maj
1 iris-development redis/agent-skills Intégrer une mémoire persistante de session et long terme pour agents IA avec Redis. 95 15h
2 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 95 15h
3 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 95 15h
4 qdrant-sizing qdrant/skills Dimensionner précisément RAM, disque, CPU et nœuds pour un déploiement Qdrant optimal. 220 15h
5 pinecone-help pinecone-io/skills Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. 14 1j
6 pinecone-n8n pinecone-io/skills Construire des workflows n8n avec les nœuds Pinecone selon les bonnes pratiques. 14 1j
7 pinecone-assistant pinecone-io/skills Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. 14 1j
8 pinecone-query pinecone-io/skills Interroger un index Pinecone intégré via requête texte avec le serveur MCP. 14 1j
9 pinecone-quickstart pinecone-io/skills Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. 14 1j
10 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 14 1j
11 qdrant-version-upgrade qdrant/skills Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 220 5j
12 qdrant-scaling-qps qdrant/skills Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. 220 13j
13 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 220 13j
14 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 220 13j
15 qdrant-hybrid-search-prefetches qdrant/skills Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. 220 13j
16 qdrant-hybrid-search qdrant/skills Construire des pipelines de recherche hybride dans Qdrant via l'API Query. 220 13j
17 qdrant-monitoring-debugging qdrant/skills Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. 220 13j
18 qdrant-minimize-latency qdrant/skills Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. 220 13j
19 qdrant-vertical-scaling qdrant/skills Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 220 13j
20 qdrant-memory-usage-optimization qdrant/skills Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. 220 13j
21 qdrant-multitenancy qdrant/skills Isoler les données multi-tenants dans Qdrant via partitionnement payload ou sharding dédié. 220 22j
22 qdrant-deployment-options qdrant/skills Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 220 26j
23 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 220 26j
24 qdrant-horizontal-scaling qdrant/skills Configurer et dimensionner un cluster Qdrant distribué pour maximiser capacité et tolérance aux pannes. 220 26j
25 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 220 26j
26 qdrant-advisor qdrant/skills Diagnostiquer et résoudre les problèmes Qdrant en consultant dynamiquement les skills officiels. 220 1mo
27 qdrant-relevance-feedback qdrant/skills Calibrer et utiliser la recherche vectorielle enrichie par retour de pertinence avec Qdrant. 220 1mo
28 qdrant-hybrid-search-combining qdrant/skills Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. 220 1mo
29 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 95 1mo
30 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 220 1mo
31 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 38 723 1mo
32 qdrant-edge qdrant/skills Intégrer Qdrant Edge en local pour synchroniser, rechercher et opérer des shards vectoriels embarqués. 220 1mo
33 qdrant-performance-optimization qdrant/skills Optimiser les performances Qdrant : vitesse, indexation et mémoire. 220 1mo
34 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 37 704 2mo
35 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 220 2mo
36 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 220 2mo
37 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 220 2mo
38 qdrant-search-strategies qdrant/skills Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. 220 2mo
39 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 2 859 2mo
40 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 38 723 2mo
41 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 38 723 2mo
42 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 38 723 2mo
43 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 38 723 2mo
44 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 321 2mo
45 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 321 3mo
46 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 321 3mo
47 pinecone-docs pinecone-io/skills Accéder et interroger la documentation Pinecone pour implémenter des index vectoriels. 14 3mo
48 chromadb mkurman/zorai Stocker et interroger des documents via une base vectorielle embarquée avec filtrage sémantique. 321 3mo
49 weaviate mkurman/zorai Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré. 321 3mo
50 lancedb mkurman/zorai Stocker et interroger des vecteurs multimodaux avec LanceDB sans serveur dédié. 321 3mo

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.