Bases vectorielles

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

21 skills

# Skill Source Description Maj
1 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 125 15j
2 pinecone-assistant pinecone-io/skills Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. 14 16j
3 pinecone-quickstart pinecone-io/skills Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. 14 16j
4 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 14 16j
5 qdrant-edge qdrant/skills Intégrer Qdrant Edge en local pour synchroniser, rechercher et opérer des shards vectoriels embarqués. 224 1mo
6 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 38 295 2mo
7 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 3 114 2mo
8 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 39 177 3mo
9 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 39 177 3mo
10 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 39 177 3mo
11 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 320 3mo
12 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 320 3mo
13 chromadb mkurman/zorai Stocker et interroger des documents via une base vectorielle embarquée avec filtrage sémantique. 320 3mo
14 weaviate mkurman/zorai Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré. 320 3mo
15 lancedb mkurman/zorai Stocker et interroger des vecteurs multimodaux avec LanceDB sans serveur dédié. 320 3mo
16 milvus mkurman/zorai Déployer et interroger une base vectorielle Milvus pour la recherche de similarité à grande échelle. 320 3mo
17 qdrant mkurman/zorai Indexer et rechercher des vecteurs dans une base Qdrant haute performance. 320 3mo
18 azure-search-documents-py microsoft/skills Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search. 2 958 4mo
19 chroma-local chroma-core/agent-skills Intégrer Chroma localement pour indexer et interroger des documents via embeddings. 21 4mo
20 chroma-local chroma-core/agent-skills Intégrer Chroma localement pour indexer et interroger des documents via embeddings. 21 4mo
21 cognee topoteretes/cognee Gérer des graphes de connaissances avec Cognee via ingestion, enrichissement et recherche. 30 290 5mo

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.