📦
prompt-engineering-patterns
86优化生产环境 LLM 提示词
LLM 提示词经常失败，是因为指令、示例和评估标准不清晰。此技能提供模板和工作流，用于改进 Claude、Codex、Claude Code 以及类似工具中的提示词。
效率 查看
技能 vector-index-tuning
📦
vector-index-tuning
内容修订 r1 安全 ⚙️ 外部命令🌐 网络访问📁 文件系统访问
优化向量搜索索引
向量搜索系统很难调优，因为延迟、召回率、内存和构建时间之间存在冲突。此技能提供用于 HNSW 调优、量化、Qdrant 配置和监控的实用模板。
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/wshobson-vector-index-tuning.md and its manifest at https://skillstore.io/api/skills/wshobson-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”。 为 200 万个向量推荐一个向量索引，目标召回率为 95%。
预期结果:
以带量化的 HNSW 作为起点。先使用适中的图连接度，对搜索广度进行基准测试，并在进一步降低内存前比较召回率。
正在使用“vector-index-tuning”。 我应该如何降低大型 embedding 集合的内存占用？
预期结果:
- 估算当前 fp32 存储占用。
- 首先测试 int8 标量量化。
- 当内存压力较高时使用乘积量化。
- 部署前使用真实查询衡量召回率损失。
正在使用“vector-index-tuning”。 更改索引设置后应该监控什么？
预期结果:
每次配置更改后，跟踪 p50、p95 和 p99 延迟、相对于真值的召回率、查询吞吐量、构建时间和内存使用量。
安全审计
安全v7 • 2026/7/8 打开版本化报告
The static findings are false positives caused by Markdown code fences, reference links, and Qdrant memmap configuration examples. No prompt injection, data exfiltration intent, or unauthorized execution behavior was found in SKILL.md.
1
已扫描文件
522
分析行数
0
复核项
0
已忽略误报
风险因素
⚙️ 外部命令 (11)
🌐 网络访问 (3)
📁 文件系统访问 (4)
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/wshobson-vector-index-tuning/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/wshobson-vector-index-tuning?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/wshobson-vector-index-tuning?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/wshobson-vector-index-tuning/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/wshobson-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
wshobson. (2026). vector-index-tuning security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/wshobson-vector-index-tuning/audits/7BibTeX 引用
@techreport{wshobson-wshobson-vector-index-tuning-2026,
author = {wshobson},
title = {vector-index-tuning security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/wshobson-vector-index-tuning/audits/7},
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 7)"
version: "unspecified"
type: report
authors:
- name: "wshobson"
date-released: "2026-07-08"
url: "https://skillstore.io/skills/wshobson-vector-index-tuning/audits/7"
identifiers:
- type: other
value: "skillstore:wshobson-vector-index-tuning:audit:7"
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
70
社区
78
规范符合性
你能构建什么
调优搜索召回率
根据召回率目标和延迟预算比较 HNSW M、efConstruction 和 efSearch 设置。
降低向量内存使用量
估算存储需求，并为高容量 embedding 集合选择量化策略。
配置 Qdrant 集合
创建与召回率、速度、均衡或内存优先级相匹配的 Qdrant 集合设置。
试试这些提示
选择起始索引
使用 vector-index-tuning 为 800,000 个 768 维向量推荐索引类型。优先考虑召回率和延迟的均衡。
估算内存需求
使用 vector-index-tuning 估算 2500 万个 1536 维向量在使用 HNSW 以及 fp32、int8 和乘积量化时的内存。
规划 HNSW 基准测试
使用 vector-index-tuning 为目标召回率 0.97、p95 延迟低于 20 ms、500 万个向量的场景设计 HNSW 基准测试。
优化 Qdrant 部署
使用 vector-index-tuning 为内存受限的语义搜索服务提出 Qdrant HNSW、量化、优化器和搜索参数设置。
最佳实践
- 在更改默认值之前，使用接近生产环境的查询和真值集进行基准测试。
- 一次只调优一个变量，以便清楚理解召回率、延迟和内存之间的权衡。
- 在索引重建或数据分布变化后，持续监控召回率和延迟。
避免
- 不要在未衡量召回率损失的情况下选择激进的量化。
- 当 p95 和 p99 延迟会影响用户时，不要只优化平均延迟。
- 对于频繁更新的集合，不要忽视构建时间和重新索引成本。
常见问题
此技能会自动构建向量索引吗？
不会。它提供指导和 Python 模板，供用户根据自己的系统进行调整。
它直接提到了哪些向量数据库？
它包含 Qdrant 配置示例，以及可用于参考其他向量搜索系统的通用指导。
它能帮助处理十亿级向量搜索吗？
可以。它描述了何时考虑 IVF、乘积量化、DiskANN 和分层存储模式。
它需要真值数据吗？
需要真值数据才能准确衡量召回率。没有真值数据，延迟结果是不完整的。
是否总是推荐量化？
不是。量化可以节省内存，但用户应测试召回率，并在需要最高准确率时考虑全精度。
此技能发布安全吗？
是。检测到的安全模式已作为文档误报进行审查，未确认存在恶意行为。
开发者详情
作者
wshobson许可证
MIT
Skillstore 修订
r1
版本提示
作者未声明版本。
仓库
https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/vector-index-tuning引用
64ca8af0f54a325752f08bd54e52151061ea659a
维护新鲜度
2026/7/23
使用量
14 次下载 · 203 次浏览
文件结构
📄 SKILL.md
wshobson 的更多技能
查看全部📦
context-driven-development
81管理上下文驱动开发
当产品目标、技术栈选择和工作流规则分散各处时，AI 辅助项目会失去一致性。此技能通过 Conductor 上下文工件指导 Claude、Codex 和 Claude Code。
编码与开发 查看
📦
startup-financial-modeling
80构建初创公司财务模型
初创团队在规划招聘、融资和现金使用之前，需要清晰的预测。此技能将收入、成本、资金可支撑时间和情景分析组织成实用的财务规划输出。
数据与分析 查看
📦
kpi-dashboard-design
79设计推动决策的 KPI 仪表板
团队经常构建展示大量数字却无法指导行动的仪表板。此技能可帮助 Claude、Codex 和 Claude Code 选择有意义的 KPI、组织视图，并清晰呈现指标。
设计与创意 查看
📦
postmortem-writing
79编写无责事故复盘
事故评审常常变得不一致、侧重追责，或难以转化为行动。此技能帮助 Claude、Codex 和 Claude Code 起草结构化复盘，包含清晰的时间线、根本原因和负责人。
写作与内容 查看
📦
data-storytelling
79构建清晰的数据故事
原始指标往往难以说服利益相关者或支持决策。此技能帮助 Claude、Codex 和 Claude Code 将分析塑造成清晰的叙事、视觉呈现和建议。
数据与分析 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-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
📦
supabase-postgres-best-practices
80优化 Supabase Postgres 性能
由 supabase
慢查询和架构漂移会让 Postgres 应用难以扩展。此技能为 AI 智能体提供基于 Supabase 的索引、RLS、连接池和诊断规则。
数据与分析 查看
📦
postgres-best-practices
80优化 Postgres 查询和架构
由 sickn33
慢查询和不安全的数据库模式在常规代码审查中很难发现。此技能为 Claude、Codex 和 Claude Code 提供有关索引、RLS、连接池、事务和诊断的结构化 Postgres 指导。
数据与分析 查看
📦
postgresql-optimization
80优化 PostgreSQL 性能
由 sickn33
缓慢的 PostgreSQL 系统在变更前需要结构化分析。此技能可指导查询调优、索引规划、配置审查、维护和监控。
数据与分析 查看
📦
parquet-optimization
80在 Rust 中优化 Parquet 性能
由 EmilLindfors
使用默认设置时，Parquet 流水线可能会浪费存储和内存。此技能会审查 Rust Parquet 读取和写入，然后建议压缩、大小设置、投影和过滤方面的改进。
数据与分析 查看