Esta sub-habilidad implementa los primitivos de datos y recuperación centrales para un sistema RAG a pequeña escala: crear una tabla de embeddings en SQLit…
Esta sub-habilidad implementa los primitivos de datos y recuperación centrales para un sistema RAG a pequeña escala: crear una tabla de embeddings en SQLite, generar embeddings vectoriales con SentenceTransformer (por defecto all-MiniLM-L6-v2, 384 dim), realizar búsqueda semántica de vecino más cercano con similitud coseno, orquestar la generación aumentada por recuperación entre proveedores (Anthropic/OpenAI) y exponer una CLI sencilla para preguntas y respuestas. Las características clave incluyen un esquema SQLite y ajustes de conexión resistentes, una clase EmbeddingGenerator para la creación consistente de vectores, una función semantic_search que devuelve los top_k fragmentos relevantes, y un RAGQueryEngine que ensambla el contexto y llama a un proveedor LLM. Casos de uso: prototipado rápido de Q&A RAG sobre documentos, almacenamiento de vectores local/offline, bases de conocimiento para equipos pequeños y flujos de trabajo de desarrolladores que necesitan una capa de recuperación ligera e independiente del proveedor. Las ventajas principales son simplicidad, portabilidad y fácil integración en pipelines RAG de mayor tamaño.
Esta página forma parte del hub OpenClaw Skills con guías de instalación, categorías y enlaces prácticos.