📦
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-index-tuning
📦
vector-index-tuning
内容修订 r1 安全 📁 文件系统访问⚙️ 外部命令
调优向量搜索索引
向量搜索调优可能浪费内存并掩盖召回率回归。此技能为生产索引提供实用的基准测试、参数指导和监控检查。
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-index-tuning" from https://skillstore.io/skills/sickn33-vector-index-tuning.md and its manifest at https://skillstore.io/api/skills/sickn33-vector-index-tuning/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-index-tuning”。 需要为 200 万个 768 维向量达到 95% 召回率，内存为 12 GB。
预期结果:
从 HNSW 开始，M 接近 32，efSearch 接近 128，并使用 scalar quantization。在进一步降低内存之前验证召回率。
正在使用“vector-index-tuning”。 当前搜索很快，但量化后召回率下降了。
预期结果:
检查 ground truth 召回率，启用 rescoring，提高 oversampling，并在发布前与未量化的基线进行比较。
正在使用“vector-index-tuning”。 5000 万个向量的内存使用量太高。
预期结果:
按精度估算存储量，测试 product quantization，并且只有在测量 p95 延迟后才考虑 disk-backed segments。
安全审计
安全v4 • 2026/7/7 打开版本化报告
All seven static findings are false positives. The memmap_threshold values are Qdrant configuration examples, Markdown backticks are file references, and no prompt injection or command execution evidence was found.
2
已扫描文件
551
分析行数
0
复核项
0
已忽略误报
风险因素
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-index-tuning/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/sickn33-vector-index-tuning?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/sickn33-vector-index-tuning?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-vector-index-tuning/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/sickn33-vector-index-tuning.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-index-tuning security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-vector-index-tuning/audits/4BibTeX 引用
@techreport{sickn33-sickn33-vector-index-tuning-2026,
author = {sickn33},
title = {vector-index-tuning security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-vector-index-tuning/audits/4},
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-index-tuning security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-vector-index-tuning/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-vector-index-tuning:audit:4"
description: "Skillstore immutable audit report identifier"
比较变体
2 个可安装变体每位作者的技能都保持为独立的可安装项。推荐变体按 Skillstore 证据排序。
为什么此变体排名第一
Skillstore 评分最高
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
91
规范符合性
你能构建什么
选择生产索引设置
选择与召回率、延迟、内存和构建时间目标匹配的 HNSW 和量化设置。
规划基准测试扫描
使用真实查询和 ground truth 为参数扫描创建可重复的基准测试计划。
控制向量内存成本
在扩展向量集合之前，估算内存使用量并评估压缩策略。
试试这些提示
选择起始配置
为 <number> 个 <dimensions> 维向量选择一个起始索引配置。目标是 <recall> 召回率、<latency> 毫秒延迟和 <memory> GB 内存。
比较 HNSW 权衡
针对我的工作负载比较 HNSW 参数选项：<vectors>、<dimensions>、<QPS>、<recall target> 和 <latency target>。说明权衡。
设计基准测试计划
设计一个使用真实查询、ground truth 和预发布数据进行向量索引调优的基准测试计划。包括指标和发布门禁。
审查 Qdrant 调优计划
审查此 Qdrant 调优计划在召回率、速度和内存方面的风险：<plan>。识别可能的回归和更安全的替代方案。
最佳实践
- 在更改生产设置之前，使用真实查询和具有代表性的 ground truth 进行基准测试。
- 为每次调优运行跟踪召回率、延迟百分位数、QPS、构建时间和内存。
- 通过预发布环境推出索引更改，并支持回滚以及与基线比较。
避免
- 在没有基线或成功目标的情况下调优参数。
- 优化延迟却忽视召回率损失。
- 在没有分阶段验证或回滚的情况下重建生产集合索引。
常见问题
此技能涵盖哪些向量数据库？
示例包括 HNSW 概念和 Qdrant 配置模式。调优原则也适用于类似的向量搜索系统。
它能选择精确的参数值吗？
它可以建议起始范围。最终值需要结合你的数据、查询和延迟目标进行基准测试。
它会自动执行基准测试吗？
不能。它提供基准测试模板和测量计划，你需要在自己的环境中运行。
我应该什么时候使用量化？
当内存或成本成为约束时使用量化。在广泛启用之前，先测量召回率损失。
Claude、Codex 或 Claude Code 可以使用它吗？
可以。报告声明支持 Claude、Codex 和 Claude Code。
我应该提供哪些输入？
提供向量数量、维度、目标召回率、延迟预算、QPS、内存预算和具有代表性的查询集。
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 · 102 次浏览
文件结构
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-vector-search-optimization
80优化 AgentDB 向量搜索
由 DNYoussef
大型向量数据库可能会变得缓慢、占用大量内存且难以进行基准测试。此 skill 为量化、HNSW 索引、缓存和验证提供结构化的 AgentDB 优化工作流。
数据与分析 查看
📦
agentdb-performance-optimization
69优化 AgentDB 向量性能
由 ruvnet
随着向量数量增长，AgentDB 部署可能会变慢或占用过多内存。此技能提供有关量化、HNSW、缓存和批处理的指导，以提升速度并减少内存使用。
数据与分析 查看
📦
building-rag-systems
38构建生产级 RAG 系统
由 Asmayaseen
生产级 RAG 项目需要可重复的摄取、过滤和检索模式。此技能为 Claude、Codex 和 Claude Code 提供面向 Qdrant 管道的实用指导。
数据与分析 查看
📦
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
📦
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