Semantische Vektor-Suche
Effiziente Abfrage von Embedding-Collections mittels semantischer Ähnlichkeitssuche.
Prompt-Beispiel
Führe eine semantische Suche in der Collection '[COLLECTION-NAME]' (optional) durch, um Informationen zu folgendem Konzept zu finden: [QUERY/KONZEPT].
Konkrete Beispiele
Führe eine semantische Suche durch, um alle dokumentierten Entscheidungen zur Architektur der Ariadne Academy Library zu identifizieren.
Dieser Skill ermöglicht die Durchführung semantischer Vektor-Suche innerhalb spezialisierter Embedding-Collections. Er ist das primäre Werkzeug, wenn die Relevanz eines Informationsstücks durch Bedeutung statt durch exakte Token-Übereinstimmung bestimmt werden muss.
Der Prozess basiert auf dem Abgleich von Query-Embeddings mit indizierten Vektoren. Durch die Angabe spezifischer Collections lässt sich der Suchraum präzise einschränken (Query Refinement), um Rauschen zu minimieren und die Precision zu erhöhen.
Best Practices: Verwenden Sie präzise, kontextreiche natürliche Sprache. Vermeiden Sie vage Anfragen. Nutzen Sie Collection-Filter, wenn der thematische Kontext bekannt ist, um die Suchgeschwindigkeit und Genauigkeit zu optimieren.
Technische Hinweise: Dieser Skill führt eine Ähnlichkeitssuche durch (Similarity Search) und liefert Ergebnisse basierend auf Relevance Scoring. Er ist nicht zu verwechseln mit einer Abfrage des Langzeitgedächtnisses (LTM), welche auf explizit gespeicherten Fakten basiert.