Habilidades vector-index-tuning
📦

vector-index-tuning

Seguro

Optimizar el Rendimiento de Índices Vectoriales

También disponible en: wshobson

Los sistemas de búsqueda vectorial a menudo luchan con latencia y memoria a gran escala. Esta skill proporciona patrones de ajuste HNSW probados y estrategias de cuantificación para equilibrar precisión, velocidad y uso de recursos.

Soporta: Claude Codex Code(CC)
🥉 72 Bronce
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "vector-index-tuning". Recomiende parámetros HNSW para 100K vectores con objetivo de 95% de precisión

Resultado esperado:

Para 100K vectores con objetivo de 95% de precisión: M=32 (conexiones incrementadas para mejor conectividad del grafo), efConstruction=200 (construcción exhaustiva del índice), efSearch=128 (calidad de búsqueda equilibrada). Memoria esperada: ~250MB para vectores FP32. Tiempo de construcción: 30-60 segundos. Latencia de búsqueda: 5-15ms en p99.

Usando "vector-index-tuning". ¿Cuánta memoria ahorra la cuantificación INT8 para 1M vectores de 768 dimensiones?

Resultado esperado:

Línea base FP32: 1M × 768 × 4 bytes = 2.93GB. Cuantificado INT8: 1M × 768 × 1 byte = 732MB. Reducción de memoria: 75% de ahorro (2.2GB). Impacto en precisión: típicamente 1-3% de degradación. Recomendado para aplicaciones sensibles a latencia con requisitos moderados de precisión.

Auditoría de seguridad

Seguro
v1 • 2/25/2026

Static analysis flagged 26 patterns that are all false positives. The skill contains only documentation and Python code examples for vector database optimization. Markdown code fences were misidentified as shell execution. URLs are reference links. Configuration parameter names were misidentified as filesystem operations. No actual security risks exist.

2
Archivos escaneados
553
Líneas analizadas
0
hallazgos
1
Auditorías totales
No se encontraron problemas de seguridad
Auditado por: claude

Puntuación de calidad

38
Arquitectura
100
Mantenibilidad
87
Contenido
31
Comunidad
100
Seguridad
100
Cumplimiento de la especificación

Lo que puedes crear

Optimización de Latencia de Búsqueda en Producción

Ajustar parámetros HNSW y habilitar cuantificación INT8 para reducir latencia p99 de 50ms a 10ms manteniendo 95% de precisión.

Despliegue de Índice con Restricciones de Memoria

Aplicar Product Quantization para ajustar 10M vectores en 8GB de RAM con compensaciones de precisión aceptables para despliegues sensibles al costo.

Planificación de Escalado de Índices Vectoriales

Seleccionar tipo de índice y configuración apropiados al escalar de 100K a 100M vectores con rendimiento predecible.

Prueba estos prompts

Recomendación Básica de Parámetros HNSW 
Tengo 500,000 vectores con 768 dimensiones. Necesito 95% de precisión con latencia p99 bajo 20ms y presupuesto de 16GB de memoria. Recomiende parámetros HNSW y cuantifique el uso esperado de memoria.
Selección de Estrategia de Cuantificación 
Compare cuantificación escalar INT8 vs Product Quantization para mi caso de uso: 10M vectores, 512 dimensiones, debe ajustarse en 8GB de RAM, mínimo 90% de precisión requerido. Incluya código para implementar el enfoque recomendado.
Configuración de Colección Qdrant 
Genere una configuración completa de colección Qdrant optimizada para búsqueda de alta precisión en 5M vectores de embedding de productos. Incluya configuraciones HNSW, configuración de cuantificación y umbrales del optimizador con explicaciones.
Plan de Benchmark de Rendimiento 
Diseñe un plan de benchmark para evaluar barridos de parámetros HNSW. Tengo 1M vectores, 10K muestras de consulta con etiquetas ground truth. Incluya métricas a seguir, rangos de parámetros a probar y criterios para seleccionar la configuración ganadora.

Mejores prácticas

  • Hacer benchmark con consultas reales de producción en lugar de datos sintéticos para capturar patrones reales de carga de trabajo
  • Comenzar con parámetros HNSW predeterminados y solo ajustar cuando las métricas indiquen necesidad de optimización
  • Monitorear la precisión continuamente en producción ya que el drift de datos puede degradar la calidad de búsqueda con el tiempo

Evitar

  • Reindexar sistemas de producción sin un plan de reversión y validación en staging
  • Sobre-optimizar para precisión a expensas de SLAs de latencia y presupuestos de memoria
  • Omitir el calentamiento del índice después del despliegue lo que causa picos de latencia de cold-start

Preguntas frecuentes

¿Cuál es un buen punto de partida para parámetros HNSW?
Comience con M=16, efConstruction=100, efSearch=50. Estos valores predeterminados funcionan bien para la mayoría de conjuntos de datos bajo 1M vectores. Solo ajuste después de medir el rendimiento de línea base contra sus objetivos de latencia y precisión.
¿Cómo afecta la cuantificación la calidad de búsqueda?
La cuantificación escalar INT8 típicamente causa 1-3% de degradación de precisión con 75% de ahorro de memoria. Product Quantization puede lograr compresión de 10-20x pero puede degradar la precisión en 5-15%. Siempre valide el impacto en precisión con su conjunto de datos específico.
¿Cuándo debo usar IVF en lugar de HNSW?
Considere IVF al escalar más allá de 100M vectores o cuando la memoria está severamente restringida. HNSW ofrece mejor precisión y latencia para conjuntos de datos bajo 100M vectores. IVF requiere más ajuste pero puede ser más eficiente en memoria a escala extrema.
¿Con qué frecuencia debo reindexar mi base de datos vectorial?
Reindex cuando la precisión se degrade más allá de su umbral (típicamente 2-5% de caída), después de cambios significativos en la distribución de datos, o al escalar la infraestructura. Monitoree métricas de precisión continuamente para activar reindexación proactivamente.
¿Cuál es la diferencia entre efConstruction y efSearch?
efConstruction controla la calidad de construcción del índice (mayor = mejor índice, construcción más lenta). efSearch controla la calidad de consulta (mayor = mejor precisión, búsqueda más lenta). Puede usar efConstruction alto una vez durante la construcción, luego ajustar efSearch para su compensación latencia-precisión.
¿Puedo cambiar parámetros HNSW después de crear un índice?
efSearch puede cambiarse dinámicamente por consulta. Sin embargo, M y efConstruction están fijos en el momento de creación del índice. Cambiar estos requiere reconstruir el índice con nuevos parámetros.

Detalles del desarrollador

Autor

sickn33

Licencia

MIT

Repositorio

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/vector-index-tuning

Ref.

main

Estructura de archivos

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md