Compétences vector-index-tuning
🔍

vector-index-tuning

Sûr 🌐 Accès réseau

優化向量索引調參以提升速度和召回率

當索引配置不當時，向量搜尋會顯得緩慢或成本高昂。本技能提供調參模板和啟發式方法，幫助改善 HNSW 和量化策略的延遲、召回率和記憶體使用。

Prend en charge: Claude Codex Code(CC)
📊 70 Adéquat
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "vector-index-tuning". 建議針對 100 萬個向量、0.95 召回率且延遲低於 10 毫秒的 HNSW 參數。

Résultat attendu:

  • 推薦 M: 32，efConstruction: 200 以獲得建構品質
  • 將 efSearch 設定為 128 以達到 0.95 召回率
  • 使用 M=32 估算記憶體開銷，並用小型基準測試驗證

Utilisation de "vector-index-tuning". 從 FP32 切換到 INT8 量化可以節省多少記憶體？

Résultat attendu:

  • FP32 每維度使用 4 位元組，INT8 使用 1 位元組
  • 對於 768 維度的向量：FP32 = 3KB，INT8 = 每向量 768 位元組
  • 約 75% 的記憶體減少，對召回率影響很小

Utilisation de "vector-index-tuning". 對於 5000 萬個向量，我該如何在 IVF 和 HNSW 之間選擇？

Résultat attendu:

  • HNSW：以記憶體和建構時間換取更好的召回率
  • IVF：記憶體更少，建構更快，召回率略低
  • 當記憶體受限制時，考慮混合方案：50M+ 向量使用 IVF-PQ

Audit de sécurité

Sûr
v4 • 1/17/2026

Pure documentation skill with instructional Python templates for vector index tuning. All static findings are false positives: hardcoded URLs are documentation references, weak crypto patterns matched legitimate quantization terminology, backticks are markdown formatting, and memory-mapped references are Qdrant config parameters.

2
Fichiers analysés
723
Lignes analysées
1
résultats
4
Total des audits

Facteurs de risque

🌐 Accès réseau (1)
SKILL.md:519-521
Audité par: claude Voir l’historique des audits →

Score de qualité

38
Architecture
100
Maintenabilité
85
Contenu
30
Communauté
100
Sécurité
87
Conformité aux spécifications

Ce que vous pouvez construire

調校 ANN 以提升召回率

找出符合召回率目標且不超過延遲預算的 HNSW 設定。

減少記憶體佔用

評估量化選項並估算大規模下的儲存取捨。

規劃索引擴展

為數百萬到數十億規模的向量選擇索引類型和配置。

Essayez ces prompts

快速 HNSW 掃描 
對 20 萬個向量進行基準測試，目標召回率為 0.95。建議最佳平衡配置。
量化選擇 
比較 768 維度的 1000 萬向量的 fp16、int8 和乘積量化。總結記憶體和召回率的影響。
Qdrant 配置 
為 500 萬個向量建立 Qdrant 集合設定，實現召回率和速度的平衡。包括 HNSW 和量化配置。
監控計劃 
定義指標和測試流程，以追蹤每週索引更新後的延遲百分位數和召回率漂移。

Bonnes pratiques

  • 使用真實查詢和真實標籤集進行基準測試以準確測量召回率
  • 從預設參數開始，然後系統地每次只調整一個變數
  • 每次配置變更後追蹤延遲百分位數和召回率

Éviter

  • 在沒有對照真實標籤集測量召回率的情況下進行調參
  • 在沒有受控實驗的情況下同時更改多個參數
  • 增加 M 或 efSearch 值時忽略記憶體開銷

Foire aux questions

此技能支援哪些平台？
支援 Claude、Codex 和 Claude Code。提供一般性指導，並附有 Qdrant 特定的範例。
模板的主要限制是什麼？
模板是需要 hnswlib 和 sklearn 等函式庫的 Python 範例。使用者必須提供自己的數據和查詢。
我可以將其整合到我的管線中嗎？
可以。將模板作為基準測試腳本、CI 工作或效能測試工作流程的建構模組使用。
它會存取或傳送我的資料嗎？
不會。技能內容是靜態文件。技能本身不會收集資料或進行網路呼叫。
如果基準測試結果有雜訊怎麼辦？
增加查詢樣本大小、固定隨機種子，並將索引建構時間與搜尋時間測量分開。
這與通用調參指南相比有何不同？
提供具體的 Python 模板、參數範圍、記憶體估算公式和 Qdrant 特定配置。

Détails du développeur

Auteur

wshobson

Licence

MIT

Dépôt

https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/vector-index-tuning

Réf

main

Structure de fichiers

📄 SKILL.md