agentdb-semantic-vector-search
بناء بحث دلالي متجه باستخدام AgentDB
يحتاج المستخدمون إلى استرجاع ذكي للمستندات يفهم المعنى، وليس فقط الكلمات المفتاحية. توفر هذه المهارة إجراءً تشغيلياً قياسياً من 5 مراحل لتنفيذ البحث الدلالي المتجه باستخدام AgentDB لأنظمة RAG وقواعد المعرفة والاستعلام الواعي بالسياق.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"agentdb-semantic-vector-search" 사용 중입니다. Search for 'machine learning tutorials' with category filter
예상 결과:
- Document: Introduction to Neural Networks - relevance: 0.92
- Document: Python Machine Learning Guide - relevance: 0.89
- Document: Deep Learning Best Practices - relevance: 0.87
- Total results: 3 matching documents found in 45ms
"agentdb-semantic-vector-search" 사용 중입니다. Find documents similar to 'Python data analysis'
예상 결과:
- Document: Pandas Data Wrangling Guide - similarity: 0.94
- Document: NumPy for Beginners - similarity: 0.91
- Document: Statistical Analysis with Python - similarity: 0.88
- Documents retrieved and ranked by semantic similarity
"agentdb-semantic-vector-search" 사용 중입니다. Query knowledge base for 'troubleshooting database connections'
예상 결과:
- Result: Connection Pool Configuration - confidence: 0.89
- Result: MySQL Timeout Settings - confidence: 0.85
- Result: PostgreSQL SSL Certificates - confidence: 0.82
- Found 3 relevant articles from documentation knowledge base
보안 감사
안전Documentation-only skill containing markdown SOP files with TypeScript code examples. No executable code exists. All 31 static findings are false positives: (1) 'external_commands' patterns are TypeScript template literals and npm command examples, not Ruby backtick execution; (2) 'network' patterns are legitimate documentation URLs; (3) 'blocker' patterns (weak crypto, system reconnaissance) are technical terms in code comments (HNSW index parameters, SHA references). This skill provides guidance for implementing vector search and poses no security risk.
위험 요인
⚙️ 외부 명령어 (11)
🌐 네트워크 접근 (3)
📁 파일 시스템 액세스 (1)
품질 점수
만들 수 있는 것
بناء أنظمة RAG
إنشاء واجهات خلفية للتوليد المعزز بالاسترجاع لنماذج اللغة الكبيرة مع قدرة البحث الدلالي
واجهة برمجة تطبيقات البحث في المستندات
نشر نقاط نهاية البحث الدلالي لأنظمة استرجاع المستندات المؤسسية
استعلامات قاعدة المعرفة
بناء قواعد معرفة ذكية مع بحث في المستندات قائم على المعنى ومطابقة التشابه
이 프롬프트를 사용해 보세요
Use AgentDB to set up a semantic vector search system. Configure it with 1536 dimensions for OpenAI ada-002 embeddings. Show how to initialize the database and embedding model.
Implement document embedding and storage. Process a corpus of documents, generate embeddings for each, and store them in AgentDB with metadata including title, content, and category.
Build a REST API endpoint for semantic search. Accept query text, generate embedding, search with topK parameter, apply metadata filters, and return ranked results.
Implement hybrid search combining vector similarity with keyword matching. Add re-ranking to improve relevance scores. Configure alpha parameter for vector and keyword balance.
모범 사례
- استخدم أبعاد التضمين المناسبة لنموذجك (1536 لـ OpenAI ada-002، 768 لـ sentence-transformers)
- طبّق تصفية البيانات الوصفية لتقليل مساحة البحث وتحسين الصلة لأنواع مستندات محددة
- راقب زمن الاستعلام واضبط معاملات HNSW (M، efConstruction) بناءً على متطلبات الدقة
피하기
- تخزين المستندات بدون بيانات وصفية يحد من قدرات التصفية وإعادة الترتيب
- استخدام أبعاد تضمين غير متطابقة يسبب فشل الفهرسة والبحث
- تجاهل إعادة الترتيب يقلل من جودة النتائج للاستعلامات المعقدة