关于 vector-database-engineer
面向构建 RAG、推荐或相似性搜索应用的团队，提供向量数据库与语义检索工程指导。内容涵盖数据库和索引选择、嵌入、过滤、混合搜索及性能权衡。
主要功能
- 01向量数据库与索引选择
- 02嵌入及分块策略
- 03向量与关键词混合搜索
- 04元数据过滤
- 05延迟与召回率调优
- 06扩展与重建索引规划
适用场景
- 01构建文档 RAG 检索
- 02实现文档语义搜索
- 03创建基于相似度的推荐
- 04调优向量搜索性能
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/vector-database-engineer确认已加载。
附带文件resources/implementation-playbook.md
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。遇到向量搜索实现、嵌入优化或语义检索系统相关任务时，主动使用。
以下情况请勿使用此技能
- 任务与向量数据库工程无关
- 需要使用超出此范围的其他领域知识或工具
说明
- 明确目标、约束条件和所需输入。
- 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。
- 如果需要详细示例，请打开
resources/implementation-playbook.md。
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
- 元数据筛选和前置／后置筛选
- 性能调优和扩展
以下情况请使用此技能
- 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
- 将向量操作扩展至数百万个向量
工作流
- 分析数据特征和查询模式
- 选择合适的嵌入模型
- 设计分块和预处理流程
- 选择向量数据库和索引类型
- 配置用于筛选的元数据架构
- 根据需要实现混合搜索
- 优化延迟与召回率之间的权衡
- 制定监控和重建索引策略
最佳实践
- 使用所选模型文档中规定的输出维度；确认数据库／索引支持该维度，并在模型变更导致不兼容时重建索引
- 实施合理的分块策略并设置重叠
- 使用元数据筛选缩小搜索范围
- 持续监控嵌入漂移
- 制定索引重建计划
- 缓存高频查询
- 测试召回率与延迟之间的权衡
示例
用户请求：
构建 RAG（检索增强生成）系统。
限制
- 仅当任务明确符合上述范围时，才使用此技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如果缺少所需输入、权限、安全边界或成功标准，请暂停并请求澄清。
评论
支持 Markdown