スキル vector-index-tuning
🔍

vector-index-tuning

安全 🌐 ネットワークアクセス

ベクトルインデックスの調整を最適化して、速度と再現率を向上させる

ベクトル検索が遅い、またはコストがかかる場合、インデックスの設定が間違っている可能性があります。このスキルは、HNSWおよび量子化戦略の遅延、再現率、メモリ使用量を改善するためのテンプレートと経験則を提供します。

対応: Claude Codex Code(CC)
📊 70 十分
1

スキルZIPをダウンロード

2

Claudeでアップロード

設定 → 機能 → スキル → スキルをアップロードへ移動

3

オンにして利用開始

テストする

「vector-index-tuning」を使用しています。 100万ベクトルで0.95の再現率と10ms以下のレイテンシを目標にHNSWパラメータを提案する

期待される結果:

  • ビルド品質のため、M:32およびefConstruction:200を推奨
  • 0.95の再現率を目標にefSearchを128に設定
  • M:32でのメモリオーバーヘッドを推定し、小規模ベンチマークで検証

「vector-index-tuning」を使用しています。 FP32からINT8量子化に切り替えた場合のメモリ削減量は？

期待される結果:

  • FP32は1次元あたり4バイト、INT8は1バイトを使用
  • 768次元のベクトル: FP32 = 3KB、INT8 = 768バイト（ベクトルあたり）
  • 再現率への影響を最小限に抑えた約75%のメモリ削減

「vector-index-tuning」を使用しています。 5000万ベクトルでIVFとHNSWのどちらを選ぶべきか？

期待される結果:

  • HNSW: 再現率は高いが、メモリとビルド時間がコストとなる
  • IVF: メモリ使用量が少なく、ビルドは速いが再現率がやや低い
  • メモリが制約となる5000万以上のベクトルでは、ハイブリッド: IVF-PQを検討

セキュリティ監査

安全
v4 • 1/17/2026

Pure documentation skill with instructional Python templates for vector index tuning. All static findings are false positives: hardcoded URLs are documentation references, weak crypto patterns matched legitimate quantization terminology, backticks are markdown formatting, and memory-mapped references are Qdrant config parameters.

2
スキャンされたファイル
723
解析された行数
1
検出結果
4
総監査数

リスク要因

🌐 ネットワークアクセス (1)
SKILL.md:519-521
監査者: claude 監査履歴を表示 →

品質スコア

38
アーキテクチャ
100
保守性
85
コンテンツ
30
コミュニティ
100
セキュリティ
87
仕様準拠

作れるもの

ANNの再現率調整

レイテンシ予算内で再現率ターゲットを満たすHNSW設定を見つける

メモリ使用量の削減

量子化オプションを評価し、大規模でのストレージトレードオフを推定する

インデックススケーリングの計画

数百万から数十億のベクトルに合わせてインデックスタイプと設定を選択する

これらのプロンプトを試す

HNSWスイープ（快速） 
20万ベクトルで0.95の再現率を目標にHNSW MとefSearchのベンチマークを実行し、最適なバランス構成を提案する
量子化の選択 
768次元の1000万ベクトルに対してfp16、int8、製品量子化を比較し、メモリと再現率への影響を要約する
Qdrant設定 
500万ベクトルで再現率と速度のバランスを取るQdrantコレクション設定を作成し、HNSWと量子化の設定を含める
監視計画 
レイテンシーパーセンタイルと再現率のドリフトを追跡するための指標とテストループを定義する

ベストプラクティス

  • 正確な再現率測定のため、実際のクエリと正解データセットでベンチマークを実行する
  • デフォルトパラメータから始めて、一度に1つの変数を体系的に調整する
  • 各設定変更後にレイテンシーパーセンタイルと再現率を追跡する

回避

  • 既知の正解データセットに対する再現率を測定せずに調整する
  • 制御された実験を行わずに複数のパラメータを同時に変更する
  • MやefSearchの値を増やす際のメモリオーバーヘッドを無視する

よくある質問

このスキルはどのプラットフォームをサポートしていますか？
Claude、Codex、Claude Codeで動作します。Qdrant固有の例を含む一般的なガイダンスを提供します。
テンプレートの主な制限は何ですか？
テンプレートはhnswlibやsklearnなどのライブラリを必要とするPythonの例です。ユーザーは独自のデータとクエリを提供する必要があります。
パイプラインに統合できますか？
はい。ベンチマークスクリプト、CIジョブ、パフォーマンステストワークフローでビルディングブロックとしてテンプレートを使用できます。
データにアクセスしたり送信したりしますか？
いいえ。スキルコンテンツは静的なドキュメントです。スキル自体からのデータ収集やネットワーク呼び出しは行われません。
ベンチマークの結果がノイズが多い場合はどうすればよいですか？
クエリサンプルサイズを増やし、乱数シードを修正し、インデックスビルドタイミングと検索タイミングの測定を分離します。
一般的な調整ガイドとどのように比較されますか？
具体的なPythonテンプレート、パラメータ範囲、メモリ推定式、Qdrant固有の設定を提供します。

開発者の詳細

作成者

wshobson

ライセンス

MIT

リポジトリ

https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/vector-index-tuning

参照

main

ファイル構成

📄 SKILL.md