mcpField
E
embeddings

embeddings

github.com/ruvnet数据与数据库80.0k1.2k 次安装今天更新
代码仓库

关于 embeddings

面向 claude-flow 工作流的嵌入技能，用于语义搜索和模式匹配。它结合 HNSW 索引、可配置文本分块、归一化、量化及 SQLite 持久化。

主要功能

  1. 01基于 HNSW 的语义搜索
  2. 02SQLite 持久化缓存
  3. 03可配置文本分块
  4. 04L1、L2、最小最大值及 z-score 归一化
  5. 05Int8、Int4 和二进制量化

适用场景

  1. 01按含义搜索文档集合
  2. 02在记忆中匹配相关模式
  3. 03通过量化减少嵌入存储占用

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/ruvnet/ruflo --skill embeddings

安装后在 Claude Code 中输入/embeddings确认已加载。

详细介绍

嵌入技能

用途

使用 HNSW 索引进行向量嵌入、语义搜索和模式匹配。

功能

功能描述
sql.js跨平台 SQLite 持久化缓存（WASM）
HNSW搜索速度提升 150 倍至 12,500 倍
Hyperbolic用于层次化数据的庞加莱球模型
NormalizationL2、L1、最小-最大、z 分数
Chunking可配置重叠和大小
75x faster通过 agentic-flow ONNX 集成实现

命令

初始化嵌入
npx claude-flow embeddings init --backend sqlite
嵌入文本
npx claude-flow embeddings embed --text "authentication patterns"
批量嵌入
npx claude-flow embeddings batch --file documents.json
语义搜索
npx claude-flow embeddings search --query "security best practices" --top-k 5

记忆集成

# Store with embeddings
npx claude-flow memory store --key "pattern-1" --value "description" --embed

# Search with embeddings
npx claude-flow memory search --query "related patterns" --semantic

量化

类型内存减少速度
Int83.92 倍快
Int47.84 倍更快
Binary32 倍最快

最佳实践

  1. 对大型模式数据库使用 HNSW
  2. 启用量化以提高内存效率
  3. 对层次关系使用双曲空间
  4. 规范化嵌入以保持一致性

评论

支持 Markdown