similarity-search-patterns
Реализация паттернов поиска по сходству
Построение быстроного семантического поиска является сложной и подверженной ошибкам задачей. Этот навык предоставляет проверенные шаблоны для распространенных векторных баз данных и методов гибридного поиска.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «similarity-search-patterns». Explain how to implement hybrid search with Qdrant
Ожидаемый результат:
- Use a dense vector query with optional filters for metadata.
- Add sparse or keyword signals by managing payload fields.
- Balance relevance by tuning limit and score threshold parameters.
- Consider enabling quantization for memory efficiency at scale.
Использование «similarity-search-patterns». What index type should I use for 10 million vectors?
Ожидаемый результат:
- Consider HNSW for balanced speed and recall at this scale.
- Configure ef_search between 100-500 based on latency requirements.
- Monitor recall metrics to tune search parameters.
- For very large datasets, evaluate IVF+PQ for memory efficiency.
Использование «similarity-search-patterns». Show me a Pinecone reranking pattern
Ожидаемый результат:
- Over-fetch initial results (50-100) using vector search.
- Pass query and top results to cross-encoder for scoring.
- Reorder final results by cross-encoder scores.
- Limit final output to top_k based on relevance requirements.
Аудит безопасности
БезопасноThis skill contains only documentation and code templates for implementing vector search. No executable code, file access, or network operations are performed by the skill itself. The static analyzer detected patterns in documentation examples and mathematical formulas that triggered false positive security alerts. All detected 'network', 'external_commands', and 'env_access' patterns are documentation artifacts, not actual malicious code.
Факторы риска
🌐 Доступ к сети (8)
⚙️ Внешние команды (9)
🔑 Переменные окружения (3)
Оценка качества
Что вы можете построить
Добавить API векторного поиска
Развернуть слой векторного поиска с Pinecone, Qdrant, pgvector или Weaviate.
Масштабировать индексацию поиска
Выбрать типы индексов и параметры для крупномасштабных нагрузок поиска по сходству.
Улучшить качество RAG
Реализовать гибридный поиск и переранжирование для повышения релевантности в генерации с дополненным поиском.
Попробуйте эти промпты
Рекомендуйте тип индекса для 5 миллионов векторов с задержкой менее 100 мс и объясните компромиссы.
Составьте класс хранилища векторов Pinecone с методами upsert и search и объясните необходимые параметры.
Покажите гибридный поисковый запрос pgvector, объединяющий векторное сходство и полнотекстовый поиск с контролем весов.
Добавьте этап переранжирования с использованием cross-encoder после векторного поиска и объясните поток.
Лучшие практики
- Измеряйте полноту и задержку перед настройкой параметров индекса
- Используйте гибридный поиск для лучшей релевантности при неоднозначных запросах
- Группируйте upsert для снижения накладных расходов API и операционных затрат
Избегать
- Пропуск оценки и использование только параметров по умолчанию
- Избыточная индексация небольших наборов данных, где достаточно плоского поиска
- Игнорирование фильтров метаданных, которые могут сократить пространство поиска
Часто задаваемые вопросы
Какие платформы могут использовать этот навык?
Есть ли ограничения на размер базы данных?
Могу ли я интегрировать это с существующим API-слоем?
Получает ли этот навык доступ к моим данным?
Что делать, если поиск медленный?
Чем это отличается от полного фреймворка?
Сведения для разработчиков
Автор
wshobsonЛицензия
MIT
Репозиторий
https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/similarity-search-patternsСсылка
main
Структура файлов
📄 SKILL.md