Compétences similarity-search-patterns
🔍

similarity-search-patterns

Sûr

벡터 데이터베이스로 프로덕션 수준의 유사도 검색 구축하기

Également disponible depuis: wshobson

벡터 유사도 검색은 시맨틱 검색과 RAG 시스템에 필수적이지만 신중한 인덱스 선택과 튜닝이 필요합니다. 이 스킬은 하이브리드 검색과 리랭킹 기능을 갖춘 Pinecone, Qdrant, pgvector, Weaviate 에 대한 즉시 사용 가능한 패턴을 제공합니다.

Prend en charge: Claude Codex Code(CC)
📊 71 Adéquat
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "similarity-search-patterns". 95% 재현율 목표로 100 만 개 제품 임베딩을 위해 Qdrant 설정

Résultat attendu:

  • HNSW 인덱스 (m=16, ef_construct=64) 로 컬렉션 생성됨
  • 스칼라 양자화 (INT8) 활성화로 메모리 4 배 감소
  • 추천 search params: 95% 재현율과 P99 약 50ms 를 위한 ef=128

Utilisation de "similarity-search-patterns". 'machine learning optimization' 에 대한 문서 하이브리드 검색

Résultat attendu:

  • 벡터 검색으로 20 개의 시맨틱적으로 유사한 문서 검색됨
  • BM25 가 'optimization' 에 대한 정확한 용어 일치 필터링
  • 리랭킹된 결과는 0.6/0.4 가중치로 두 신호를 결합

Audit de sécurité

Sûr
v1 • 2/25/2026

All 31 static analysis findings are false positives. The scanner incorrectly flagged Markdown documentation syntax as executable code. Backticks are code fence markers, URLs are documentation links, and API key parameters represent secure credential handling. The skill contains Python code examples for vector database implementations with no security concerns.

2
Fichiers analysés
594
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
22
Communauté
100
Sécurité
100
Conformité aux spécifications

Ce que vous pouvez construire

RAG 애플리케이션 개발자

문서 임베딩에 대한 효율적인 벡터 검색으로 검색 증강 생성 (RAG) 을 구현합니다. 정확한 컨텍스트 검색을 위해 시맨틱 매칭과 키워드 매칭을 결합한 하이브리드 검색을 지원합니다.

추천 엔진 개발자

벡터 임베딩을 사용한 최근접 이웃 추천 시스템을 구축합니다. HNSW 인덱싱을 활용하여 수백만 항목에 대해 초당 1 초 미만의 쿼리와 구성 가능한 재현율 임계값을 제공합니다.

검색 플랫폼 엔지니어

PostgreSQL pgvector 또는 관리형 서비스로 프로덕션 수준의 유사도 검색 인프라를 배포합니다. 엔터프라이즈 검색 품질을 위한 사전 필터링과 리랭킹 파이프라인을 구현합니다.

Essayez ces prompts

기본 벡터 스토어 설정 
문서 임베딩을 저장하고 검색해야 합니다. 1536 차원 임베딩에 대해 코사인 유사도를 사용하는 Pinecone 벡터 인덱스를 설정해 주세요. 메타데이터 필터링을 포함한 upsert 와 search 함수를 포함해 주세요.
하이브리드 검색 구현 
pgvector 를 사용하여 벡터 유사성과 키워드 매칭을 결합하는 하이브리드 검색 함수를 생성해 주세요. 벡터 검색 가중치는 0.7, 전문 검색은 0.3 으로 설정합니다. HNSW 인덱스를 포함한 SQL 스키마를 포함해 주세요.
리랭킹 파이프라인 
50 개의 벡터 검색 결과가 있지만 더 나은 순위 지정이 필요합니다. cross-encoder 모델로 리랭킹하는 방법을 보여주세요. sentence-transformers 코드를 포함하고 지연 시간과 정확도 간의 트레이드오프를 설명해 주세요.
인덱스 선택 및 튜닝 
1 천만 개의 벡터가 있고 P99 지연 시간을 95% 재현율로 100ms 미만으로 유지해야 합니다. Qdrant 에 대한 인덱스 유형과 파라미터를 추천해 주세요. 제 사용 사례에 대한 ef_construct, nprobe, 양자화 설정을 설명해 주세요.

Bonnes pratiques

  • 소규모 데이터셋 (10 만 개 미만 벡터) 에는 flat 인덱스로 시작한 후 데이터가 성장하면 HNSW 로 마이그레이션
  • 근사 인덱스 배포 전에 대상 지연 시간에서 재현율 항상 측정
  • 벡터 비교 전에 메타데이터 사전 필터링으로 검색 공간 축소

Éviter

  • 재현율 저하 측정 없이 근사 최근접 이웃 인덱스 사용
  • 메모리 제한 상황에서 양자화 없이 원시 벡터 저장
  • 사전 필터 없이 쿼리하여 대규모 컬렉션에서 전체 인덱스 스캔 발생

Foire aux questions

프로젝트에 어떤 벡터 데이터베이스를 선택해야 하나요?
빠른 프로토타입에는 Pinecone(관리형, 인프라 없음) 을 사용하세요. PostgreSQL 사용자라면 pgvector 가 복잡도를 최소화합니다. 고성능이 필요하면 Qdrant 또는 Weaviate 가 고급 기능을 제공합니다. 데이터 크기, 쿼리 지연 시간 요구사항, 기존 인프라를 고려하세요.
코사인 유사도와 내적의 차이점은 무엇인가요?
코사인 유사도는 각도만 측정합니다 (크기 무시). 정규화된 임베딩에 이상적입니다. 내적은 크기 효과를 포함합니다. 대부분의 임베딩 모델 (OpenAI, Sentence Transformers) 에서는 코사인 유사도가 표준 선택입니다.
지연 시간을 희생하지 않고 검색 재현율을 개선하려면 어떻게 해야 하나요?
P99 지연 시간을 측정하면서 인덱스 파라미터 (HNSW 의 경우 ef_search, IVF 의 경우 nprobe) 를 점진적으로 높이세요. 리랭킹을 사용하여 고정확률 검색 후 정밀도를 회복하세요. 2 단계 검색을 고려하세요: 상위 K 결과에 대한 고속 근사 검색 후 정확한 리랭킹.
삽입 후 벡터를 업데이트할 수 있나요?
예, 지원되는 모든 벡터 데이터베이스는 upsert 작업을 지원합니다. 동일한 ID 로 벡터를 다시 삽입하면 제자리에서 업데이트됩니다. 빈번한 업데이트는 최적의 성능을 위해 인덱스 재구성이 필요할 수 있습니다.
어떤 임베딩 차원을 사용해야 하나요?
임베딩 모델의 기본 차원을 사용하세요 (예: text-embedding-ada-002 는 1536, all-MiniLM-L6-v2 는 384). 더 높은 차원은 더 많은 뉘앙스를 포착하지만 저장소와 연산량이 증가합니다. 인덱스 메트릭을 임베딩 모델의 학습 목표에 맞추세요.
다국어 검색은 어떻게 처리하나요?
서로 다른 언어를 동일한 벡터 공간에 매핑하는 multilingual-e5 또는 LaBSE 같은 다국어 임베딩 모델을 사용하세요. 임베딩 모델이 지원한다면 서로 다른 언어로 된 쿼리와 문서도 관련 결과를 검색합니다.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/similarity-search-patterns

Réf

main

Structure de fichiers

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md