vector-database-engineer
建構可擴展的向量搜尋系統
實作生產級向量資料庫與語意搜尋。此技能提供嵌入策略、索引優化及現代 AI 應用 RAG 架構的專業指導。
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「vector-database-engineer」。 我應該如何將 500 頁的 PDF 分塊以進行語意搜尋？
預期結果:
使用遞迴字元文字分割，採用 1000-1500 字元的分塊大小和 200 字元的重疊度。這在保持語意連貫性的同時保留上下文。對於技術文件，考慮尊重章節邊界的結構感知分塊。
正在使用「vector-database-engineer」。 比較 Pinecone 與 Weaviate 在生產環境的表現
預期結果:
Pinecone 提供託管可擴展性，零營運負擔，但有廠商鎖定問題。Weaviate 提供自託管靈活性，內建混合搜尋，但需要基礎設施管理。選擇 Pinecone 以快速開發，選擇 Weaviate 以在大規模時控制成本。
安全審計
安全All static analysis findings are false positives. The skill contains only documentation text with no executable code, network requests, or security risks. The 'external_commands' flag was triggered by the word 'open' in a documentation sentence, not actual command execution. This is a legitimate educational skill about vector database engineering.
品質評分
你能建構什麼
建構 RAG 知識庫
在文件上設計語意搜尋以实现 AI 驅動的問題回答
實作推薦引擎
使用向量嵌入建立基於相似度的產品推薦
優化向量搜尋效能
針對數百萬向量調整索引與分塊策略
試試這些提示
協助我在 Pinecone、Weaviate 和 Qdrant 之間做選擇，用於擁有 100 萬向量的文件搜尋系統
為技術文件設計嵌入管線。推薦分塊大小、重疊度和模型選擇
設定 HNSW 索引參數，在 500 萬向量上達到 90% 召回率且延遲低於 50ms
實作結合向量相似度與關鍵字過濾器的混合搜尋，用於產品搜尋
最佳實務
- 在生產部署前，務必在您的特定領域測試嵌入模型
- 在優化複雜文件結構之前，從簡單的分塊策略開始
- 監控向量漂移並規劃定期重新嵌入週期
- 在向量查詢前使用元數據過濾以減少搜尋空間
避免
- 未測試較小模型是否適用於您的使用案例就使用更大嵌入維度
- 分塊文件時未加入重疊，導致段落間失去上下文
- 跳過召回率測試，僅測量延遲
- 儲存嵌入時未保留其來源文字或元數據參考