Bases vectorielles

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

78 skills

# Skill Source Description Δ
1 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 1 960 527
2 qdrant-clients-sdk github/awesome-copilot Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 35 826 388
3 qdrant-deployment-options github/awesome-copilot Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 35 826 388
4 qdrant-model-migration github/awesome-copilot Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 35 826 388
5 qdrant-performance-optimization github/awesome-copilot Optimiser les performances Qdrant : vitesse, indexation et mémoire. 35 826 388
6 qdrant-indexing-performance-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de lenteur d'indexation dans Qdrant. 35 826 388
7 qdrant-memory-usage-optimization github/awesome-copilot Optimiser et surveiller l'utilisation mémoire de Qdrant pour des performances maximales. 35 826 388
8 qdrant-search-speed-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. 35 826 388
9 qdrant-scaling github/awesome-copilot Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 35 826 388
10 qdrant-minimize-latency github/awesome-copilot Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. 35 826 388
11 qdrant-scaling-data-volume github/awesome-copilot Scaler des volumes de données massifs via multi-tenancy, fenêtre temporelle ou sharding distribué. 35 826 388
12 qdrant-horizontal-scaling github/awesome-copilot Planifier la scalabilité verticale et horizontale d'un cluster Qdrant efficacement. 35 826 388
13 qdrant-sliding-time-window github/awesome-copilot Gérer une fenêtre temporelle glissante dans Qdrant avec rotation de shards ou collections. 35 826 388
14 qdrant-tenant-scaling github/awesome-copilot Partitionner efficacement Qdrant multi-tenant selon le volume et les contraintes d'isolation. 35 826 388
15 qdrant-vertical-scaling github/awesome-copilot Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 35 826 388
16 qdrant-scaling-qps github/awesome-copilot Optimiser le débit de requêtes Qdrant via segmentation, quantification et réplication horizontale. 35 826 388
17 qdrant-scaling-query-volume github/awesome-copilot Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. 35 826 388
18 qdrant-search-quality github/awesome-copilot Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 35 826 388
19 qdrant-search-quality-diagnosis github/awesome-copilot Diagnostiquer et corriger la qualité de recherche vectorielle dans Qdrant. 35 826 388
20 qdrant-search-strategies github/awesome-copilot Optimiser la recherche vectorielle avec hybridation, reranking et feedback de pertinence. 35 826 388
21 qdrant-version-upgrade github/awesome-copilot Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 35 826 388
22 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 35 826 388
23 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 37 258 238
24 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 37 258 238
25 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 37 258 238
26 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 37 258 238
27 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 37 258 238
28 azure-search-documents-dotnet microsoft/skills Créer des applications de recherche full-text, vectorielle et hybride sur Azure. 2 624 26
29 azure-search-documents-py microsoft/skills Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search. 2 624 26
30 azure-search-documents-ts microsoft/skills Implémenter la recherche vectorielle, hybride et sémantique avec Azure AI Search en TypeScript. 2 624 26
31 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 181 10
32 qdrant-deployment-options qdrant/skills Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 181 10
33 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 181 10
34 qdrant-monitoring qdrant/skills Surveiller et diagnostiquer les performances d'un déploiement Qdrant en production. 181 10
35 qdrant-monitoring-debugging qdrant/skills Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. 181 10
36 qdrant-performance-optimization qdrant/skills Optimiser les performances Qdrant : vitesse, indexation et mémoire. 181 10
37 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 181 10
38 qdrant-memory-usage-optimization qdrant/skills Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. 181 10
39 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 181 10
40 qdrant-scaling qdrant/skills Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 181 10
41 qdrant-minimize-latency qdrant/skills Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. 181 10
42 qdrant-scaling-data-volume qdrant/skills Scaler des volumes de données massifs via multi-tenancy, fenêtre temporelle ou sharding distribué. 181 10
43 qdrant-horizontal-scaling qdrant/skills Configurer et dimensionner un cluster Qdrant distribué pour maximiser capacité et tolérance aux pannes. 181 10
44 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 181 10
45 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 181 10
46 qdrant-vertical-scaling qdrant/skills Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 181 10
47 qdrant-scaling-qps qdrant/skills Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. 181 10
48 qdrant-scaling-query-volume qdrant/skills Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. 181 10
49 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 181 10
50 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 181 10

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.