📦
content-creator
88创建品牌一致的营销内容
营销团队需要在各个渠道保持一致的内容。此技能可帮助规划、撰写、分析和优化内容，使其符合品牌语调和 SEO 要求。
写作与内容 查看
技能 vector-database-engineer
📦
vector-database-engineer
内容修订 r1 安全 ⚙️ 外部命令
构建向量搜索系统
向量搜索项目需要在团队投入索引或数据库之前明确架构选择。此技能可指导检索设计、嵌入策略以及生产系统调优。
支持: Claude Codex Code(CC)
使用我的智能体安装
将此请求复制给你的智能体，其中包含权威 Skill 页面和清单。
智能体请求
Review the Skillstore skill "vector-database-engineer" from https://skillstore.io/skills/sickn33-vector-database-engineer.md and its manifest at https://skillstore.io/api/skills/sickn33-vector-database-engineer/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.你的智能体仍应展示其计划，并按安全策略请求必要确认。
Agent 可读资源
当 AI Agent、爬虫或脚本需要干净上下文，而不是读取完整页面时，请使用这些链接。
测试它
正在使用“vector-database-engineer”。 我需要为 200,000 篇支持文章提供语义搜索。
预期结果:
一份检索计划，涵盖分块大小、重叠、元数据字段、候选数据库、索引类型、验证指标和发布检查。
正在使用“vector-database-engineer”。 我们的 RAG 系统漏掉了精确的产品名称和零件编号。
预期结果:
一份混合搜索建议，包含关键词匹配、向量检索、结果融合、元数据过滤器和召回率测试步骤。
正在使用“vector-database-engineer”。 随着集合增长，搜索延迟正在上升。
预期结果:
一份调优清单，涵盖索引参数、缓存、过滤策略、批处理、监控和重新索引节奏。
安全审计
安全v5 • 2026/7/7 打开版本化报告
The flagged shell execution is a Markdown file reference, not command execution. The system reconnaissance findings are normal vector search phrases with no host inspection or collection intent. No prompt injection or malicious behavior was found in SKILL.md.
1
已扫描文件
61
分析行数
0
复核项
0
已忽略误报
风险因素
⚙️ 外部命令 (1)
最新一次完成的静态与语义审计未检测到已确认的安全发现。这并不能证明该 Skill 没有副作用。
审计者: codex 查看审计历史 →
分享与引用此报告
分享版本化评估报告、中性徽章、嵌入卡片和引用。Skillstore 只报告证据，不判断该 Skill 是否安全。
复制报告链接
https://skillstore.io/skills/sickn33-vector-database-engineer/audits/5?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/sickn33-vector-database-engineer?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/sickn33-vector-database-engineer?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-vector-database-engineer/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/sickn33-vector-database-engineer.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学术引用 (APA · BibTeX · CFF)
APA 引用
sickn33. (2026). vector-database-engineer security audit report (audit version 5) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-vector-database-engineer/audits/5BibTeX 引用
@techreport{sickn33-sickn33-vector-database-engineer-2026,
author = {sickn33},
title = {vector-database-engineer security audit report (audit version 5)},
institution = {Skillstore},
year = {2026},
number = {5},
url = {https://skillstore.io/skills/sickn33-vector-database-engineer/audits/5},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "vector-database-engineer security audit report (audit version 5)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-vector-database-engineer/audits/5"
identifiers:
- type: other
value: "skillstore:sickn33-vector-database-engineer:audit:5"
description: "Skillstore immutable audit report identifier"
Skillstore 评分
评分依据 证据置信度: 高 55
架构
85
可维护性
87
内容
69
社区
83
规范符合性
你能构建什么
规划 RAG 检索层
设计包含分块、嵌入、元数据过滤器和索引选择的文档检索系统。
调优搜索基础设施
为高容量向量工作负载评估延迟、召回率、缓存和重新索引计划。
选择向量数据库
根据规模、托管、过滤、混合搜索和团队运维需求比较数据库选项。
试试这些提示
选择数据库
帮我为项目选择一个向量数据库。先询问缺失的需求，然后比较 Pinecone、Weaviate、Qdrant、Milvus 和 pgvector。
设计文档检索
为我的文档设计一个语义搜索工作流。包括分块、嵌入模型选择、元数据字段、索引和验证步骤。
添加混合搜索
审查我的检索需求，并提出一个混合搜索设计。包括排序、过滤器、查询流程和评估指标。
优化生产检索
分析我的向量搜索架构在延迟、召回率、成本、监控、缓存和重新索引方面的风险。给出按优先级排序的改进计划。
最佳实践
- 在选择数据库之前定义召回率、延迟、新鲜度和成本目标。
- 使用有代表性的查询和已评判的结果测试分块与嵌入选择。
- 持续监控漂移、检索失败、索引增长和重建需求。
避免
- 不要仅仅因为某个数据库流行就选择它。
- 不要在没有测量评估集的情况下调优索引参数。
- 不要在没有访问控制和保留规则的情况下存储敏感元数据。
常见问题
此技能涵盖哪些数据库？
它在架构指导层面涵盖 Pinecone、Weaviate、Qdrant、Milvus 和 pgvector。
它能帮助处理 RAG 系统吗？
可以。它专注于 RAG 工作流的检索设计、分块、嵌入、过滤器和搜索质量。
它会编写生产代码吗？
它可以指导实现计划，但该技能本身是一个 Markdown 指令文件，而不是可执行包。
它能提高搜索准确性吗？
它可以推荐评估方法、混合搜索、元数据过滤和调优步骤，以提升检索质量。
它绑定到某个云提供商吗？
不能。它讨论托管服务、开源数据库以及基于 Postgres 的向量存储选项。
我应该提供哪些输入？
请提供数据规模、查询示例、更新频率、延迟目标、过滤器、托管约束和成本限制。
开发者详情
作者
sickn33许可证
MIT
Skillstore 修订
r1
版本提示
作者未声明版本。
引用
f93e9bb0daca99badb6a7e574b97737155d57cb3
维护新鲜度
2026/7/18
使用量
8 次下载 · 113 次浏览
文件结构
📄 SKILL.md
sickn33 的更多技能
查看全部📦
prompt-engineering-patterns
85用成熟模式改进 LLM 提示词
不一致的提示词会浪费时间，并让 AI 输出难以信任。此技能通过可复用模式、示例、评估步骤和优化工作流来指导提示词设计。
效率 查看
📦
senior-architect
81设计可扩展的软件架构
在 Web、移动端、后端和云系统之间比较架构决策并不容易。此技能为报告、依赖项审查和权衡文档提供结构化指南与本地脚手架脚本。
编码与开发 查看
📦
senior-fullstack
81使用资深级模式构建全栈应用
团队需要针对现代 Web 应用的一致设置、架构和审查指导。此技能为 React、Next.js、Node.js、GraphQL 和 PostgreSQL 项目提供脚手架工具、工作流参考和质量提示。
编码与开发 查看
📦
prompt-engineer
81使用 Prompt Engineer 优化 AI 提示词
当目标模糊或复杂时，编写清晰的提示词很困难。此技能会使用经过验证的提示词框架，将粗略请求转化为结构化提示词。
效率 查看
📦
product-manager-toolkit
80利用研究洞察优先安排产品工作
产品团队需要更快的方法来对功能排序、综合访谈内容并记录决策。此技能提供 RICE 评分、访谈分析和 PRD 模板，用于结构化规划。
效率 查看
相关技能
查看全部📦
agentdb-semantic-vector-search
80构建 AgentDB 语义搜索
由 DNYoussef
团队需要为 RAG 和知识库提供相关的文档检索。此技能指导 AgentDB 设置、嵌入存储、索引、API 搜索和相关性调优。
数据与分析 查看
📦
embedding-strategies
79优化嵌入策略
由 wshobson
团队在为检索系统选择嵌入模型、分块大小和评估方法时常常遇到困难。此技能为语义搜索和 RAG 应用提供实用模板和决策指导。
数据与分析 查看
📦
agentdb-vector-search
78构建 AgentDB 向量搜索
由 DNYoussef
团队需要面向文档、RAG 系统和知识库的快速语义检索。此技能提供 AgentDB 设置、搜索模式和调优指导。
数据与分析 查看
📦
senior-ml-engineer
81构建生产级 ML 和 RAG 系统
由 davila7
生产级 ML 系统难以持续地进行设计、部署和监控。此技能涵盖 MLOps、LLM 集成、RAG 架构以及本地工作流脚手架。
数据与分析 查看
📦
advanced-agentdb-vector-search-implementation
79构建高级 AgentDB 向量搜索
由 DNYoussef
分布式向量搜索需要周密规划复制、指标、监控和部署。此技能为可扩展的混合搜索系统提供分阶段的 AgentDB 工作流。
数据与分析 查看
📦
fiftyone-embeddings-visualization
77可视化 FiftyOne 嵌入
由 AdonaiVera
图像数据集可能隐藏聚类、离群点和标签问题。此技能可指导 Claude、Codex 和 Claude Code 完成 FiftyOne 嵌入可视化。
数据与分析 查看