Bases vectorielles

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

86 skills

# Skill Source Description Maj
1 qdrant-hybrid-search-prefetches qdrant/skills Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. 260 3j
2 qdrant-horizontal-scaling qdrant/skills Configurer et dimensionner un cluster Qdrant distribué pour maximiser capacité et tolérance aux pannes. 260 3j
3 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 260 3j
4 qdrant-vertical-scaling qdrant/skills Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 260 3j
5 qdrant-scaling-qps qdrant/skills Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. 260 3j
6 qdrant-relevance-feedback qdrant/skills Calibrer et utiliser la recherche vectorielle enrichie par retour de pertinence avec Qdrant. 260 3j
7 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 260 5j
8 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 260 5j
9 qdrant-search-strategies qdrant/skills Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. 260 11j
10 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 260 11j
11 qdrant-sizing qdrant/skills Dimensionner précisément RAM, disque, CPU et nœuds pour un déploiement Qdrant optimal. 260 11j
12 qdrant-monitoring-debugging qdrant/skills Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. 260 11j
13 qdrant-multitenancy qdrant/skills Isoler les données multi-tenants dans Qdrant via partitionnement payload ou sharding dédié. 260 11j
14 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 260 11j
15 qdrant-version-upgrade qdrant/skills Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 260 11j
16 qdrant-hybrid-search-combining qdrant/skills Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. 260 11j
17 qdrant-hybrid-search qdrant/skills Construire des pipelines de recherche hybride dans Qdrant via l'API Query. 260 11j
18 qdrant-edge qdrant/skills Intégrer Qdrant Edge en local pour synchroniser, rechercher et opérer des shards vectoriels embarqués. 260 12j
19 qdrant-deployment-options qdrant/skills Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 260 12j
20 qdrant-memory-usage-optimization qdrant/skills Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. 260 12j
21 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 260 12j
22 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 260 12j
23 qdrant-minimize-latency qdrant/skills Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. 260 12j
24 qdrant-hybrid-cloud-setup qdrant/skills Déployer et configurer Qdrant Hybrid Cloud sur une infrastructure Kubernetes managée. 260 1mo
25 nemo-retriever-mcp nvidia/skills Interroger et ingérer des documents via NeMo Retriever pour extraire des preuves sourcées. 3 634 1mo
26 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 3 634 1mo
27 qdrant-migration-tool qdrant/skills Migrer des données vectorielles vers Qdrant depuis toute source compatible via Docker. 260 1mo
28 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 15 1mo
29 pinecone-help pinecone-io/skills Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. 15 1mo
30 qdrant-performance-optimization qdrant/skills Optimiser les performances Qdrant : vitesse, indexation et mémoire. 260 1mo
31 qdrant-scaling qdrant/skills Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 260 1mo
32 iris-development redis/agent-skills Intégrer une mémoire persistante de session et long terme pour agents IA avec Redis. 167 2mo
33 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 167 2mo
34 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 167 2mo
35 pinecone-n8n pinecone-io/skills Construire des workflows n8n avec les nœuds Pinecone selon les bonnes pratiques. 15 2mo
36 pinecone-assistant pinecone-io/skills Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. 15 2mo
37 pinecone-query pinecone-io/skills Interroger un index Pinecone intégré via requête texte avec le serveur MCP. 15 2mo
38 pinecone-quickstart pinecone-io/skills Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. 15 2mo
39 qdrant-advisor qdrant/skills Diagnostiquer et résoudre les problèmes Qdrant en consultant dynamiquement les skills officiels. 260 3mo
40 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 167 3mo
41 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 40 989 3mo
42 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 40 143 4mo
43 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 260 4mo
44 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 40 989 4mo
45 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 40 989 4mo
46 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 40 989 4mo
47 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 40 989 4mo
48 pinecone-docs pinecone-io/skills Accéder et interroger la documentation Pinecone pour implémenter des index vectoriels. 15 5mo
49 chromadb mkurman/zorai Stocker et interroger des documents via une base vectorielle embarquée avec filtrage sémantique. 324 5mo
50 weaviate mkurman/zorai Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré. 324 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.