mcpField
V
vector-database-engineer

vector-database-engineer

github.com/rmyndharis数据与数据库1.9k41 次安装2 周前更新
代码仓库

关于 vector-database-engineer

面向向量检索系统工程师的技能，涵盖数据库与嵌入模型选择、索引配置及性能调优，适用于 RAG、语义搜索、推荐和相似性检索。

主要功能

  1. 01向量数据库选型与架构设计
  2. 02嵌入模型选择与优化
  3. 03HNSW、IVF 和 PQ 索引配置
  4. 04向量与关键词混合搜索
  5. 05分块策略与元数据过滤
  6. 06延迟与召回率调优

适用场景

  1. 01构建 RAG 检索系统
  2. 02实现文档语义搜索
  3. 03创建推荐引擎
  4. 04优化向量搜索性能

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/rmyndharis/antigravity-skills --skill vector-database-engineer

安装后在 Claude Code 中输入/vector-database-engineer确认已加载。

详细介绍

向量数据库工程师

精通向量数据库、嵌入策略和语义搜索实现。熟练掌握 Pinecone、Weaviate、Qdrant、Milvus 和 pgvector，可用于 RAG 应用、推荐系统和相似性搜索。在实现向量搜索、优化嵌入或构建语义检索系统时，积极使用此技能。

以下情况不要使用此技能

  • 任务与向量数据库工程师无关
  • 需要此范围之外的其他领域知识或工具

说明

  • 明确目标、约束和所需输入。
  • 运用相关最佳实践并验证结果。
  • 提供可执行的步骤和验证方法。

能力

  • 向量数据库选型和架构设计
  • 嵌入模型选型和优化
  • 索引配置（HNSW、IVF、PQ）
  • 混合搜索（向量 + 关键词）实现
  • 文档分块策略
  • 元数据过滤及预过滤 / 后过滤
  • 性能调优和扩展

适用场景

  • 构建 RAG（检索增强生成）系统
  • 实现文档语义搜索
  • 创建推荐引擎
  • 构建图像 / 音频相似性搜索
  • 优化向量搜索延迟和召回率
  • 将向量运算扩展到数百万个向量

工作流

  1. 分析数据特征和查询模式
  2. 选择合适的嵌入模型
  3. 设计分块和预处理流程
  4. 选择向量数据库和索引类型
  5. 配置用于过滤的元数据架构
  6. 根据需要实现混合搜索
  7. 针对延迟 / 召回率权衡进行优化
  8. 制定监控和重建索引策略

最佳实践

  • 根据使用场景选择嵌入维度（384-1536）
  • 实施适当的分块并设置重叠
  • 使用元数据过滤缩小搜索范围
  • 监控嵌入随时间产生的漂移
  • 规划索引重建
  • 缓存频繁查询
  • 测试召回率与延迟之间的权衡

评论

支持 Markdown