Bases vectorielles

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

85 skills

# Skill Source Description Maj
1 qdrant-hybrid-search qdrant/skills Construire des pipelines de recherche hybride dans Qdrant via l'API Query. 224 19h
2 qdrant-hybrid-search-combining qdrant/skills Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. 224 19h
3 iris-development redis/agent-skills Intégrer une mémoire persistante de session et long terme pour agents IA avec Redis. 125 15j
4 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 125 15j
5 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 125 15j
6 qdrant-sizing qdrant/skills Dimensionner précisément RAM, disque, CPU et nœuds pour un déploiement Qdrant optimal. 224 15j
7 pinecone-help pinecone-io/skills Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. 14 16j
8 pinecone-n8n pinecone-io/skills Construire des workflows n8n avec les nœuds Pinecone selon les bonnes pratiques. 14 16j
9 pinecone-assistant pinecone-io/skills Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. 14 16j
10 pinecone-query pinecone-io/skills Interroger un index Pinecone intégré via requête texte avec le serveur MCP. 14 16j
11 pinecone-quickstart pinecone-io/skills Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. 14 16j
12 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 14 16j
13 qdrant-hybrid-search-prefetches qdrant/skills Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. 224 16j
14 qdrant-version-upgrade qdrant/skills Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 224 20j
15 qdrant-scaling-qps qdrant/skills Optimiser le débit de requêtes Qdrant via segmentation, quantization et réplication horizontale. 224 28j
16 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 224 28j
17 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 224 28j
18 qdrant-monitoring-debugging qdrant/skills Diagnostiquer les problèmes de performance Qdrant via métriques d'optimisation et mémoire. 224 28j
19 qdrant-minimize-latency qdrant/skills Optimiser la latence des requêtes Qdrant via RAM, CPU et segmentation. 224 28j
20 qdrant-vertical-scaling qdrant/skills Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 224 28j
21 qdrant-memory-usage-optimization qdrant/skills Optimiser et surveiller l'utilisation mémoire de Qdrant pour réduire l'empreinte RAM. 224 28j
22 qdrant-performance-optimization qdrant/skills Optimiser les performances Qdrant : vitesse, indexation et mémoire. 224 29j
23 qdrant-scaling qdrant/skills Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 224 29j
24 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 224 29j
25 qdrant-multitenancy qdrant/skills Isoler les données multi-tenants dans Qdrant via partitionnement payload ou sharding dédié. 224 1mo
26 qdrant-deployment-options qdrant/skills Choisir le bon déploiement Qdrant selon ses besoins de production ou prototypage. 224 1mo
27 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 224 1mo
28 qdrant-horizontal-scaling qdrant/skills Configurer et dimensionner un cluster Qdrant distribué pour maximiser capacité et tolérance aux pannes. 224 1mo
29 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 224 1mo
30 qdrant-advisor qdrant/skills Diagnostiquer et résoudre les problèmes Qdrant en consultant dynamiquement les skills officiels. 224 1mo
31 qdrant-relevance-feedback qdrant/skills Calibrer et utiliser la recherche vectorielle enrichie par retour de pertinence avec Qdrant. 224 1mo
32 redis-search redis/agent-skills Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. 125 1mo
33 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 224 1mo
34 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 39 177 1mo
35 qdrant-edge qdrant/skills Intégrer Qdrant Edge en local pour synchroniser, rechercher et opérer des shards vectoriels embarqués. 224 1mo
36 pinecone-rag github/awesome-copilot Construire un pipeline RAG ou une mémoire d'agent persistante avec Pinecone. 38 295 2mo
37 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 224 2mo
38 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 224 2mo
39 qdrant-search-strategies qdrant/skills Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. 224 2mo
40 nemo-retriever nvidia/skills Indexer et interroger des dossiers de fichiers multimédias via une CLI RAG optimisée. 3 114 2mo
41 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 39 177 3mo
42 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 39 177 3mo
43 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 39 177 3mo
44 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 39 177 3mo
45 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 320 3mo
46 embedding-analysis mkurman/zorai Dédupliquer et filtrer des datasets textuels via analyse d'embeddings sémantiques. 320 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. 320 3mo
49 weaviate mkurman/zorai Gérer une base vectorielle Weaviate avec recherche hybride et RAG intégré. 320 3mo
50 lancedb mkurman/zorai Stocker et interroger des vecteurs multimodaux avec LanceDB sans serveur dédié. 320 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.