Compétences vector-index-tuning
🔍

vector-index-tuning

Sûr 🌐 Accès réseau

Оптимизация настройки векторного индекса для скорости и полноты поиска

Векторный поиск кажется медленным или затратным при неправильной настройке индексов. Этот навык предоставляет шаблоны и эвристики для улучшения задержки, полноты поиска и использования памяти для стратегий HNSW и квантизации.

Prend en charge: Claude Codex Code(CC)
📊 70 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 "vector-index-tuning". Suggest HNSW parameters for 1M vectors with 0.95 recall and under 10 ms latency.

Résultat attendu:

  • Рекомендуемый M: 32 и efConstruction: 200 для качества построения
  • Установить efSearch в 128 для достижения полноты поиска 0.95
  • Оценить накладные расходы памяти при M = 32 и проверить с помощью небольшого теста

Utilisation de "vector-index-tuning". What memory savings can I get by switching from FP32 to INT8 quantization?

Résultat attendu:

  • FP32 использует 4 байта на измерение, INT8 использует 1 байт
  • Для векторов размерности 768: FP32 = 3КБ, INT8 = 768 байт на вектор
  • Приблизительно 75% экономия памяти с незначительным влиянием на полноту поиска

Utilisation de "vector-index-tuning". How do I choose between IVF and HNSW for 50M vectors?

Résultat attendu:

  • HNSW: лучшая полнота поиска за счет памяти и времени построения
  • IVF: меньше памяти, быстрее построение, немного ниже полнота поиска
  • Рассмотреть гибрид: IVF-PQ для 50M+ векторов при ограничениях памяти

Audit de sécurité

Sûr
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
Fichiers analysés
723
Lignes analysées
1
résultats
4
Total des audits

Facteurs de risque

🌐 Accès réseau (1)
SKILL.md:519-521
Audité par: claude Voir l’historique des audits →

Score de qualité

38
Architecture
100
Maintenabilité
85
Contenu
30
Communauté
100
Sécurité
87
Conformité aux spécifications

Ce que vous pouvez construire

Настройка ANN для полноты поиска

Найти настройки HNSW, которые соответствуют целям полноты поиска, не превышая бюджетов задержки.

Снижение объема памяти

Оценить варианты квантизации и оценить компромиссы хранения при масштабировании.

Планирование масштабирования индекса

Выбрать типы индексов и конфигурации для миллионов и миллиардов векторов.

Essayez ces prompts

Быстрый перебор HNSW 
Benchmark HNSW M и efSearch для 200k векторов с целевой полнотой 0.95. Предложить лучшую сбалансированную конфигурацию.
Выбор квантизации 
Сравнить fp16, int8 и продуктовую квантизацию для 10M векторов размерности 768. Обобщить влияние на память и полноту поиска.
Конфигурация Qdrant 
Создать настройки коллекции Qdrant для сбалансированной полноты поиска и скорости с 5M векторами. Включить конфигурации HNSW и квантизации.
План мониторинга 
Определить метрики и цикл тестирования для отслеживания дрейфа процентилей задержки и полноты поиска при еженедельных обновлениях индекса.

Bonnes pratiques

  • Тестировать с реальными запросами и эталонным набором данных для точного измерения полноты поиска
  • Начинать с параметров по умолчанию, затем систематически настраивать одну переменную за раз
  • Отслеживать процентили задержки и полноту поиска после каждого изменения конфигурации

Éviter

  • Настройка без измерения полноты поиска относительно известного эталонного набора данных
  • Изменение нескольких параметров одновременно без контролируемых экспериментов
  • Игнорирование накладных расходов памяти при увеличении значений M или efSearch

Foire aux questions

Какие платформы подде��живает этот навык?
Работает с Claude, Codex и Claude Code. Предоставляет общие рекомендации с примерами, специфичными для Qdrant.
Каковы основные ограничения шаблонов?
Шаблоны представляют собой примеры на Python, требующие библиотеки такие как hnswlib и sklearn. Пользователи должны предоставить собственные данные и запросы.
Могу ли я интегрировать это в свой пайплайн?
Да. Используйте шаблоны как строительные блоки в скриптах тестирования, CI-заданиях или рабочих процессах тестирования производительности.
Он получает доступ к моим данным или отправляет их?
Нет. Содержимое навыка представляет собой статическую документацию. Никакой сбор данных или сетевых вызовов не происходит из самого навыка.
Что делать, если результаты тестов шумные?
Увеличьте размер выборки запросов, зафиксируйте случайные seed-значения и разделите измерение времени построения индекса от времени поиска.
Чем это отличается от общих руководств по настройке?
Предоставляет конкретные шаблоны Python, диапазоны параметров, формулы оценки памяти и конфигурации, специфичные для Qdrant.

Détails du développeur

Auteur

wshobson

Licence

MIT

Dépôt

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

Réf

main

Structure de fichiers

📄 SKILL.md