下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「similarity-search-patterns」。 Explain how to implement hybrid search with Qdrant
預期結果:
- 使用带有可选元数据过滤器的密集向量查询。
- 通过管理 payload 字段添加稀疏或关键词信号。
- 通过调整 limit 和 score_threshold 参数来平衡相关性。
- 为大规模内存效率考虑启用量化。
正在使用「similarity-search-patterns」。 What index type should I use for 10 million vectors?
預期結果:
- 在此规模下考虑使用 HNSW 以平衡速度和召回率。
- 根据延迟要求配置 ef_search 在 100-500 之间。
- 监控召回指标以调整搜索参数。
- 对于非常大的数据集，评估 IVF+PQ 的内存效率。
正在使用「similarity-search-patterns」。 Show me a Pinecone reranking pattern
預期結果:
- 使用向量搜索过度获取初始结果（50-100 个）。
- 将查询和顶部结果传递给交叉编码器进行评分。
- 根据交叉编码器分数重新排序最终结果。
- 根据相关性要求将最终输出限制为 top_k。
安全審計
安全This 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.
風險因素
🌐 網路存取 (8)
⚙️ 外部命令 (9)
🔑 環境變數 (3)
品質評分
你能建構什麼
添加向量搜索 API
使用 Pinecone、Qdrant、pgvector 或 Weaviate 搭建向量搜索层。
扩展检索索引
为大规模相似性搜索工作负载选择索引类型和参数。
提升 RAG 质量
实现混合搜索和重排序，以提高检索增强生成的相关性。
試試這些提示
为 500 万个向量推荐一种索引类型，延迟要求低于 100 毫秒，并解释其权衡取舍。
草拟一个 Pinecone 向量存储类，包含 upsert 和 search 方法，并解释所需的参数。
展示一个 pgvector 混合搜索查询，结合向量相似性和全文搜索，并支持权重控制。
在向量搜索之后使用交叉编码器添加重排序步骤，并解释其流程。
最佳實務
- 在调整索引参数之前先测量召回率和延迟
- 对模糊查询使用混合搜索以获得更好的相关性
- 批量 upsert 以减少 API 开销和运营成本
避免
- 跳过评估而仅依赖默认参数
- 对小数据集过度索引，而平面搜索已足够
- 忽略可以减少搜索空间的元数据过滤器