Bases vectorielles
Stockage et recherche d'embeddings : Pinecone, Qdrant, recherche semantique.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | qdrant-search-quality | qdrant/skills | Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. | 120 | 2j |
| 2 | qdrant-search-quality-diagnosis | qdrant/skills | Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. | 120 | 2j |
| 3 | qdrant-search-strategies | qdrant/skills | Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. | 120 | 2j |
| 4 | pinecone-full-text-search | pinecone-io/skills | Créer et interroger un index full-text-search Pinecone avec l'API preview. | 12 | 8j |
| 5 | pinecone-docs | pinecone-io/skills | Accéder et interroger la documentation Pinecone pour implémenter des index vectoriels. | 12 | 8j |
| 6 | pinecone-help | pinecone-io/skills | Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. | 12 | 8j |
| 7 | signals | posthog/skills | Interroger sémantiquement les signaux bruts du produit via HogQL sur ClickHouse. | 37 | 14j |
| 8 | azure-search-documents-py | microsoft/skills | Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search. | 2 316 | 21j |
| 9 | qdrant-indexing-performance-optimization | qdrant/skills | Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. | 120 | 24j |
| 10 | qdrant-search-speed-optimization | qdrant/skills | Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. | 120 | 24j |
| 11 | qdrant-sliding-time-window | qdrant/skills | Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. | 120 | 24j |
| 12 | qdrant-tenant-scaling | qdrant/skills | Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. | 120 | 24j |
| 13 | qdrant-version-upgrade | qdrant/skills | Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. | 120 | 24j |
| 14 | qdrant-hybrid-search | qdrant/skills | Construire des pipelines de recherche hybride dans Qdrant via l'API Query. | 120 | 27j |
| 15 | qdrant-hybrid-search-prefetches | qdrant/skills | Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. | 120 | 27j |
| 16 | qdrant-search-speed-optimization | github/awesome-copilot | Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. | 33 040 | 28j |
| 17 | qdrant-scaling | github/awesome-copilot | Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. | 33 040 | 28j |
| 18 | qdrant-minimize-latency | github/awesome-copilot | Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. | 33 040 | 28j |
| 19 | qdrant-sliding-time-window | github/awesome-copilot | Gérer une fenêtre temporelle glissante dans Qdrant avec rotation de shards ou collections. | 33 040 | 28j |
| 20 | qdrant-tenant-scaling | github/awesome-copilot | Partitionner efficacement Qdrant multi-tenant selon le volume et les contraintes d'isolation. | 33 040 | 28j |
| 21 | qdrant-vertical-scaling | github/awesome-copilot | Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. | 33 040 | 28j |
| 22 | qdrant-scaling-qps | github/awesome-copilot | Optimiser le débit de requêtes Qdrant via segmentation, quantification et réplication horizontale. | 33 040 | 28j |
| 23 | qdrant-scaling-query-volume | github/awesome-copilot | Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. | 33 040 | 28j |
| 24 | qdrant-search-quality | github/awesome-copilot | Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. | 33 040 | 28j |
| 25 | qdrant-search-quality-diagnosis | github/awesome-copilot | Diagnostiquer et corriger la qualité de recherche vectorielle dans Qdrant. | 33 040 | 28j |
| 26 | qdrant-search-strategies | github/awesome-copilot | Optimiser la recherche vectorielle avec hybridation, reranking et feedback de pertinence. | 33 040 | 28j |
| 27 | qdrant-version-upgrade | github/awesome-copilot | Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. | 33 040 | 28j |
| 28 | qdrant-clients-sdk | github/awesome-copilot | Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. | 33 040 | 28j |
| 29 | qdrant-model-migration | github/awesome-copilot | Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. | 33 040 | 28j |
| 30 | qdrant-performance-optimization | github/awesome-copilot | Optimiser les performances Qdrant : vitesse, indexation et mémoire. | 33 040 | 28j |
| 31 | qdrant-indexing-performance-optimization | github/awesome-copilot | Diagnostiquer et résoudre les problèmes de lenteur d'indexation dans Qdrant. | 33 040 | 28j |
| 32 | qdrant-hybrid-search-combining | qdrant/skills | Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. | 120 | 28j |
| 33 | chroma-cloud | chroma-core/agent-skills | Configurer et interroger des collections Chroma Cloud en TypeScript avec recherche dense ou hybride. | 17 | 1mo |
| 34 | chroma-local | chroma-core/agent-skills | Intégrer Chroma localement pour indexer et interroger des documents via embeddings. | 17 | 1mo |
| 35 | azure-search-documents-dotnet | microsoft/skills | Créer des applications de recherche full-text, vectorielle et hybride sur Azure. | 2 316 | 1mo |
| 36 | qdrant-clients-sdk | qdrant/skills | Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. | 120 | 1mo |
| 37 | qdrant-model-migration | qdrant/skills | Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. | 120 | 1mo |
| 38 | rag-implementation | wshobson/agents | Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. | 35 424 | 2mo |
| 39 | similarity-search-patterns | wshobson/agents | Implémenter une recherche vectorielle sémantique efficace et scalable en production. | 35 424 | 2mo |
| 40 | vector-index-tuning | wshobson/agents | Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. | 35 424 | 2mo |
| 41 | embedding-strategies | wshobson/agents | Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. | 35 424 | 2mo |
| 42 | hybrid-search-implementation | wshobson/agents | Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. | 35 424 | 2mo |
| 43 | pinecone-quickstart | pinecone-io/skills | Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. | 12 | 2mo |
| 44 | pinecone-assistant | pinecone-io/skills | Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. | 12 | 2mo |
| 45 | pinecone-query | pinecone-io/skills | Interroger un index Pinecone intégré via requête texte avec le serveur MCP. | 12 | 2mo |
| 46 | pinecone-cli | pinecone-io/skills | Gérer les index et vecteurs Pinecone depuis le terminal via une CLI complète. | 12 | 2mo |
| 47 | pinecone-mcp | pinecone-io/skills | Gérer des index vectoriels Pinecone, rechercher et reclasser des documents sémantiquement. | 12 | 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.