Fähigkeiten agentdb-vector-search

📦

agentdb-vector-search

Name: agentdb-vector-search
Author: DNYoussef

Inhaltsrevision r1 Sicher ⚙️ Externe Befehle🌐 Netzwerkzugriff

AgentDB-Vektorsuche erstellen

Teams benötigen schnellen semantischen Abruf für Dokumente, RAG-Systeme und Wissensdatenbanken. Diese Skill bietet AgentDB-Einrichtung, Suchmuster und Tuning-Anleitung.

Unterstützt: Claude Codex Code(CC)

🥉 78 Bronze

Maintain this Skill? Claim it 🥉 78 Bronze

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage

Review the Skillstore skill "agentdb-vector-search" from https://skillstore.io/skills/dnyoussef-agentdb-vector-search.md and its manifest at https://skillstore.io/api/skills/dnyoussef-agentdb-vector-search/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/dnyoussef-agentdb-vector-search.md Signiertes manifest GET /api/skills/dnyoussef-agentdb-vector-search/manifest Signiertes lockfile GET /api/skills/dnyoussef-agentdb-vector-search/lockfile

Testen

„agentdb-vector-search“ wird verwendet. Ich brauche semantische Suche für technische Supportartikel.

Erwartetes Ergebnis:

Empfohlene Einrichtung: Verwende ein Embedding-Modell, stimme die Datenbankdimension ab und speichere den Artikeltext mit Quellmetadaten.
Retrieval-Plan: Frage Top-Ergebnisse mit einem Mindest-Score ab und filtere dann nach Produkt, Version und Artikelstatus.
Qualitätsprüfung: Untersuche Treffer mit niedrigem Score und passe Schwellenwerte an, bevor die Ergebnisse mit der Generierung verbunden werden.

„agentdb-vector-search“ wird verwendet. Meine Vektorsuche ist bei einer großen Sammlung langsam.

Erwartetes Ergebnis:

Prüfe Indexstatus, Batch-Importverhalten, Cache-Einstellungen und ob Quantisierung aktiviert ist.
Messe die Latenz mit repräsentativen Abfragen, bevor du Distanzmetriken oder Schwellenwerte änderst.
Nutze Metadatenfilter, um Kandidatenmengen zu reduzieren, wenn Benutzer bereits Produkt- oder Zeitbeschränkungen angeben.

„agentdb-vector-search“ wird verwendet. Ich möchte, dass Claude Code AgentDB über MCP abfragt.

Erwartetes Ergebnis:

Installiere und prüfe den AgentDB MCP server-Befehl und füge ihn erst nach der Paketverifizierung zu Claude Code hinzu.
Bestätige die verfügbaren Tools zum Abfragen, Speichern von Dokumenten und Prüfen von Datenbankstatistiken.
Teste mit nicht sensiblen Beispieldokumenten, bevor Produktionsdaten angebunden werden.

Sicherheitsaudit

Sicher

v8 • 5.7.2026 Versionsbericht öffnen

The reviewed SKILL.md is documentation for AgentDB vector search and did not show prompt injection, data exfiltration, or malicious intent. Static findings were false positives from Markdown code fences, local database examples, and documentation links.

Gescannte Dateien

340

Analysierte Zeilen

Prüfelemente

Falschmeldungen ignoriert

Risikofaktoren

⚙️ Externe Befehle (43)

🌐 Netzwerkzugriff (2)

SKILL.md:334 SKILL.md:337

Das letzte abgeschlossene statische und semantische Audit erkannte keine bestätigten Sicherheitsbefunde. Dies beweist nicht, dass der Skill keine Nebenwirkungen hat.

Geprüft von: codex Audit-Verlauf anzeigen →

Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen

Berichtslink kopieren

https://skillstore.io/skills/dnyoussef-agentdb-vector-search/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/dnyoussef-agentdb-vector-search/security.svg)](https://skillstore.io/skills/dnyoussef-agentdb-vector-search?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/dnyoussef-agentdb-vector-search?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/dnyoussef-agentdb-vector-search/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/dnyoussef-agentdb-vector-search.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>

Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

DNYoussef. (2026). agentdb-vector-search security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/dnyoussef-agentdb-vector-search/audits/8

BibTeX-Zitat

@techreport{dnyoussef-dnyoussef-agentdb-vector-search-2026,
  author = {DNYoussef},
  title = {agentdb-vector-search security audit report (audit version 8)},
  institution = {Skillstore},
  year = {2026},
  number = {8},
  url = {https://skillstore.io/skills/dnyoussef-agentdb-vector-search/audits/8},
  note = {Author version unspecified}
}

CITATION.cff

cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "agentdb-vector-search security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
  - name: "DNYoussef"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/dnyoussef-agentdb-vector-search/audits/8"
identifiers:
  - type: other
    value: "skillstore:dnyoussef-agentdb-vector-search:audit:8"
    description: "Skillstore immutable audit report identifier"

Varianten vergleichen

2 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höchster Skillstore-Score

Autor / Quelle Skillstore-Score Evidenzvertrauen Skillstore-Nutzung Aktualisiert

DNYoussef Empfohlen Aktuell

dnyoussef-agentdb-vector-search

Skillstore-Score 78

Evidenzvertrauen Hoch

Skillstore-Nutzung 16

Aktualisiert

2026-09-09

ruvnet

ruvnet-agentdb-vector-search

Skillstore-Score 75

Evidenzvertrauen Hoch

Skillstore-Nutzung 18

Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Hoch

Architektur

Wartbarkeit

Inhalt

Gemeinschaft

Spezifikationskonformität

Was Sie erstellen können

Eine RAG-Wissensdatenbank erstellen

Verwende AgentDB, um Dokument-Embeddings zu speichern, relevanten Kontext abzurufen und die Antwortgenerierung zu unterstützen.

Semantische Produktsuche hinzufügen

Kombiniere Vektorähnlichkeit mit Metadatenfiltern für Sucherlebnisse in Produkten, Inhalten oder Support.

Vektor-Retrieval-Einstellungen optimieren

Vergleiche Distanzmetriken, Schwellenwerte, Quantisierungsoptionen und Batch-Operationen für Retrieval-Workloads.

Diese Prompts ausprobieren

Eine lokale Vektordatenbank starten

Verwende agentdb-vector-search, um eine lokale AgentDB-Vektordatenbank für [embedding model] mit [dimension] Dimensionen einzurichten. Zeige die sichersten CLI-Schritte und erkläre jede Einstellung.

Ähnlichkeitssuche hinzufügen

Verwende agentdb-vector-search, um einen Ablauf für Ähnlichkeitssuche für [document type] zu entwerfen. Beziehe Speicherfelder, Abfrageoptionen, Score-Schwellenwerte und Ergebnisbehandlung ein.

Einen RAG-Retrieval-Ablauf erstellen

Verwende agentdb-vector-search, um einen RAG-Retrieval-Plan für [knowledge base] zu erstellen. Beziehe Schritte für Embedding, Speicherung, Retrieval, Diversität und Kontextzusammenstellung ein.

Hybride Suche im großen Maßstab optimieren

Verwende agentdb-vector-search, um einen AgentDB-Index für [scale] Vektoren zu optimieren. Empfiehl Metrikauswahl, Quantisierung, Metadatenfilter, Cache-Einstellungen und Messschritte.

Bewährte Praktiken

Pinne Paketversionen und prüfe CLI-Pakete von Drittanbietern, bevor du Installations- oder MCP-Befehle ausführst.
Stimme Vektordimensionen auf das Embedding-Modell ab, bevor du Daten importierst oder abfragst.
Nutze Metadatenfilter und Score-Schwellenwerte, um irrelevante Retrieval-Ergebnisse zu reduzieren.

Vermeiden

npx-Befehle aus nicht vertrauenswürdigen Quellen ohne Paketprüfung ausführen.
Embeddings aus verschiedenen Modellen innerhalb eines einzelnen Vektorindex mischen.
Benchmark-Werte als garantierte Produktionsleistung behandeln.

Häufig gestellte Fragen

Was hilft diese Skill zu erstellen?

Sie hilft beim Erstellen AgentDB-basierter Workflows für semantische Suche, Ähnlichkeits-Retrieval und RAG-Kontextabruf.

Enthält sie eine vollständige Anwendung?

Nein. Sie bietet Einrichtungsanleitung, Befehlsbeispiele, API-Muster und Tuning-Empfehlungen.

Benötige ich einen Embedding-Anbieter?

Ja. Du benötigst OpenAI embeddings oder ein anderes Modell, das Vektoren mit bekannten Dimensionen erzeugt.

Kann sie mit Claude Code funktionieren?

Ja. Die Skill enthält AgentDB MCP-Einrichtungsanleitung für Claude Code-Workflows.

Ist die Datenbankdatei sensibel?

Das kann sie sein. Gespeicherte Vektoren, Metadaten und Exporte können Inhalte der Quelldokumente offenlegen.

Wie sollte ich Vektordimensionen wählen?

Verwende die von deinem Embedding-Modell benötigte Dimension und halte sie über gespeicherte Vektoren hinweg konsistent.

Entwicklerdetails

Autor

DNYoussef

Lizenz

MIT

Skillstore-Revision

Versionshinweis

Der Autor hat keine Version angegeben.

Repository

https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/agentdb-vector-search

Ref.

c579efd02184f1128d6741d16e6c8d951d7d4208

Aktualität der Wartung

21.7.2026

Nutzung

5 Downloads · 248 Aufrufe

Dateistruktur

📄 SKILL.md