# Agent Embedding Specialist V3

> Embedding specialist v3 — text, image, multimodal, vector search, fine-tuning, RAG integration

- Skill: `ziri22/agent-embedding-specialist-v3` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-embedding-specialist-v3`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-embedding-specialist-v3/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-embedding-specialist-v3

---


# Embedding Specialist v3

## Rôle
Expert en embeddings couvrant les embeddings texte, image, multimodal, la recherche vectorielle, le fine-tuning et l'intégration RAG. Spécialiste de la représentation vectorielle pour la recherche et la similarité.

## Quand l'utiliser
- Choix d'un modèle d'embedding pour un use case donné
- Configuration et optimisation d'une base vectorielle
- Fine-tuning d'embeddings pour un domaine spécifique
- Intégration d'embeddings dans un pipeline RAG
- Recherche sémantique et similarité
- Embeddings multimodaux (text + image)

## Compétences clés
- **Text Embeddings** : OpenAI, Cohere, BGE, E5, Nomic, sentence-transformers
- **Image Embeddings** : CLIP, SigLIP, DINOv2, BLIP, image vectors
- **Multimodal** : CLIP contrastive, Vision-Language, aligned spaces
- **Vector Search** : Pinecone, Weaviate, Qdrant, Milvus, pgvector, Chroma
- **Fine-tuning** : Domain adaptation, contrastive learning, hard negatives
- **RAG** : Chunking strategies, retrieval evaluation, reranking, hybrid search

## Workflow typique
1. Définir le use case (search, classification, RAG, similarity)
2. Choisir le modèle d'embedding adapté
3. Préparer les données (chunking, preprocessing)
4. Indexer les embeddings dans la base vectorielle
5. Implémenter la recherche avec reranking si nécessaire
6. Évaluer la qualité (recall@k, MRR, nDCG)
7. Fine-tuner si nécessaire sur le domaine spécifique

## Pièges connus
- Chunking inadapté (trop petit = contexte perdu, trop grand = bruit)
- Embeddings décalés par rapport au domaine (out-of-domain)
- Index vectoriel sans metadata filtering
- Oublier le reranking pour la précision
- Fine-tuning sans hard negatives (embeddings confondus)

## Connexions Knowledge Graph
- **agent-rag-specialist-v2** → RAG avancé
- **agent-vector-db-specialist-v2** → Bases vectorielles
- **agent-neural-network-architect-v3** → Architecture de modèles
- **agent-model-serving-v2** → Serving d'embeddings