Bases vectorielles

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

47 skills

# Skill Source Description Δ
1 qdrant-clients-sdk github/awesome-copilot Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 33 040 60
2 qdrant-model-migration github/awesome-copilot Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 33 040 60
3 qdrant-performance-optimization github/awesome-copilot Optimiser les performances Qdrant : vitesse, indexation et mémoire. 33 040 60
4 qdrant-indexing-performance-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de lenteur d'indexation dans Qdrant. 33 040 60
5 qdrant-search-speed-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. 33 040 60
6 qdrant-scaling github/awesome-copilot Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 33 040 60
7 qdrant-minimize-latency github/awesome-copilot Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. 33 040 60
8 qdrant-sliding-time-window github/awesome-copilot Gérer une fenêtre temporelle glissante dans Qdrant avec rotation de shards ou collections. 33 040 60
9 qdrant-tenant-scaling github/awesome-copilot Partitionner efficacement Qdrant multi-tenant selon le volume et les contraintes d'isolation. 33 040 60
10 qdrant-vertical-scaling github/awesome-copilot Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 33 040 60
11 qdrant-scaling-qps github/awesome-copilot Optimiser le débit de requêtes Qdrant via segmentation, quantification et réplication horizontale. 33 040 60
12 qdrant-scaling-query-volume github/awesome-copilot Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. 33 040 60
13 qdrant-search-quality-diagnosis github/awesome-copilot Diagnostiquer et corriger la qualité de recherche vectorielle dans Qdrant. 33 040 60
14 qdrant-version-upgrade github/awesome-copilot Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 33 040 60
15 qdrant-search-quality github/awesome-copilot Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 33 040 60
16 qdrant-search-strategies github/awesome-copilot Optimiser la recherche vectorielle avec hybridation, reranking et feedback de pertinence. 33 040 60
17 embedding-strategies wshobson/agents Choisir et optimiser les modèles d'embedding pour la recherche vectorielle. 35 424 49
18 hybrid-search-implementation wshobson/agents Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG. 35 424 49
19 rag-implementation wshobson/agents Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées. 35 424 49
20 similarity-search-patterns wshobson/agents Implémenter une recherche vectorielle sémantique efficace et scalable en production. 35 424 49
21 vector-index-tuning wshobson/agents Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire. 35 424 49
22 azure-search-documents-dotnet microsoft/skills Créer des applications de recherche full-text, vectorielle et hybride sur Azure. 2 316 6
23 azure-search-documents-py microsoft/skills Implémenter la recherche full-text, vectorielle et hybride avec Azure AI Search. 2 316 6
24 qdrant-clients-sdk qdrant/skills Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 120 2
25 qdrant-model-migration qdrant/skills Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 120 2
26 qdrant-indexing-performance-optimization qdrant/skills Optimiser la vitesse d'indexation et d'ingestion dans Qdrant. 120 2
27 qdrant-search-speed-optimization qdrant/skills Diagnostiquer et résoudre les problèmes de performance de recherche Qdrant. 120 2
28 qdrant-sliding-time-window qdrant/skills Gérer une fenêtre temporelle glissante dans Qdrant via rotation de shards ou suppression filtrée. 120 2
29 qdrant-tenant-scaling qdrant/skills Implémenter le multitenancy Qdrant performant selon l'échelle et les contraintes d'isolation. 120 2
30 qdrant-search-quality qdrant/skills Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 120 2
31 qdrant-search-quality-diagnosis qdrant/skills Diagnostiquer et corriger la mauvaise qualité de recherche vectorielle dans Qdrant. 120 2
32 qdrant-search-strategies qdrant/skills Optimiser les résultats de recherche vectorielle avec des stratégies avancées ciblées. 120 2
33 qdrant-hybrid-search qdrant/skills Construire des pipelines de recherche hybride dans Qdrant via l'API Query. 120 2
34 qdrant-hybrid-search-combining qdrant/skills Fusionner des résultats de recherche parallèles via RRF, DBSF ou late interaction. 120 2
35 qdrant-hybrid-search-prefetches qdrant/skills Gérer plusieurs types de recherche vectorielle en parallèle dans une seule requête Qdrant. 120 2
36 qdrant-version-upgrade qdrant/skills Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 120 2
37 signals posthog/skills Interroger sémantiquement les signaux bruts du produit via HogQL sur ClickHouse. 37 1
38 pinecone-assistant pinecone-io/skills Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. 12 0
39 pinecone-cli pinecone-io/skills Gérer les index et vecteurs Pinecone depuis le terminal via une CLI complète. 12 0
40 pinecone-docs pinecone-io/skills Accéder et interroger la documentation Pinecone pour implémenter des index vectoriels. 12 0
41 pinecone-help pinecone-io/skills Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. 12 0
42 pinecone-mcp pinecone-io/skills Gérer des index vectoriels Pinecone, rechercher et reclasser des documents sémantiquement. 12 0
43 pinecone-query pinecone-io/skills Interroger un index Pinecone intégré via requête texte avec le serveur MCP. 12 0
44 pinecone-quickstart pinecone-io/skills Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. 12 0
45 chroma-cloud chroma-core/agent-skills Configurer et interroger des collections Chroma Cloud en TypeScript avec recherche dense ou hybride. 17 0
46 chroma-local chroma-core/agent-skills Intégrer Chroma localement pour indexer et interroger des documents via embeddings. 17 0
47 pinecone-full-text-search pinecone-io/skills Créer et interroger un index full-text-search Pinecone avec l'API preview. 12 0

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.