Przejdź do treści
Biblioteka skilli
AI i agenci · Budowanie i kod

hybrid-search-implementation

/hybrid-search-implementation

Łączy wyszukiwanie wektorowe i słów kluczowych, by poprawić trafność wyników w systemach RAG i wyszukiwarkach, gdy żadne z podejść osobno nie daje wystarczającego recall.

Licencja
MIT
Ostatnia zmiana repozytorium
26.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
2
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 26.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Łączy wyszukiwanie wektorowe i słów kluczowych, by poprawić trafność wyników w systemach RAG i wyszukiwarkach, gdy żadne z podejść osobno nie daje wystarczającego recall.

Oryginalny opis (EN)

Combine vector and keyword search for improved retrieval. Use when implementing RAG systems, building search engines, or when neither approach alone provides sufficient recall.

Jak działa

  1. Use this skill when
  2. Do not use this skill when
  3. Instructions
  4. Resources
  5. Limitations
Sekcje z nagłówków SKILL.md, w oryginale · 34 linii, 169 słów
Podgląd SKILL.md
---
name: hybrid-search-implementation
description: "Combine vector and keyword search for improved retrieval. Use when implementing RAG systems, building search engines, or when neither approach alone provides sufficient recall."
risk: safe
source: community
date_added: "2026-02-27"
---

# Hybrid Search Implementation

Patterns for combining vector similarity and keyword-based search.

## Use this skill when

- Building RAG systems with improved recall
- Combining semantic understanding with exact matching
- Handling queries with specific terms (names, codes)
- Improving search for domain-specific vocabulary
- When pure vector search misses keyword matches

## Do not use this skill when

- The task is unrelated to hybrid search implementation
- You need a different domain or tool outside this scope

## Instructions

- Clarify goals, constraints, and required inputs.
- Apply relevant best practices and validate outcomes.
- Provide actionable steps and verification.
- If detailed examples are required, open `resources/implementation-playbook.md`.

## Resources

- `resources/implementation-playbook.md` for detailed patterns and examples.

## Limitations
- Use this skill only when the task clearly matches the scope described above.
- Do not treat the output as a substitute for environment-specific validation, testing, or expert review.
- Stop and ask for clarification if required inputs, permissions, safety boundaries, or success criteria are missing.
Pliki w paczce (2)
  • SKILL.md 1 KB
  • resources/implementation-playbook.md 18 KB

Wersje

RepozytoriumWynikLicencja
Ta strona · FrancoStino/opencode-skills-collection100MIT
EricGrill/agents-skills-plugins100MIT
sandbaseai/sandbase-skills90Apache-2.0

Identyczna treść występuje jeszcze w 4 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 28.10.2026 · wersja paczki 5306f80f9ba4 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100hybrid-search-advisor
    Projektuje strategię wyszukiwania hybrydowego, łączącą gęste wyszukiwanie wektorowe z rzadkim wyszukiwaniem słów kluczowych (BM25) i rankingiem fuzji, w potokach RAG, chunkingu i embeddingów.
  • 90hybrid-search
    Łączy wyszukiwanie słów kluczowych i wektorowe, by działały zarówno dokładne terminy, jak i znaczenie semantyczne, i sensownie scala dwa rankingi.
  • 100rag-architect
    Projektuje i wdraża produkcyjne systemy RAG: chunking, embeddingi, magazyny wektorowe, wyszukiwanie hybrydowe, reranking i ocena jakości wyszukiwania.
  • 91basic-usage
    Prowadzi przez instalację i użycie llmemory: dokumenty, wyszukiwanie wektorowe, hybrydowe i BM25, a także RAG wielodostępowy.
  • 98rag-expert
    Projektuje i naprawia potoki RAG: dzielenie na fragmenty, osadzenia, wyszukiwanie hybrydowe, reranking i odpowiedzi z cytatami.
  • 90rag-architect
    Projektuje potoki RAG, optymalizuje strategie wyszukiwania, dobiera modele embeddingów i buduje wyszukiwanie wektorowe w bazie wiedzy.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.