vector-db-expert — субагент для Claude Code
Субагент vector-db-expert для Claude Code разбирает векторные базы: индексы, поиск по сходству, эмбеддинги и снижение размерности. Разбирает медленные запросы к векторам и рост объёма данных.
MIT ★ 1 029 обновлён 2025-10-15
.claude/agents/vector-db-expert.mdЧто делает vector-db-expert
Субагент для Claude по векторным базам. Берёт на себя выбор индекса, схему хранения векторов, настройку поиска по сходству и снижение размерности эмбеддингов. Отдельно смотрит на масштабирование: что менять, когда датасет перестаёт помещаться в текущую конфигурацию.
Внутри один markdown-файл с frontmatter (name, description, model) и четырьмя разделами: области работы, подход, чек-лист качества, результат. Чек-лист проверяет задержку запросов, целостность размерности после сжатия и качество препроцессинга. На выходе — схема, бенчмарки, план масштабирования и отчёт об оптимизациях.
В frontmatter поле model пустое — конкретная модель в файле не закреплена. Если ответы должны совпадать от запуска к запуску, модель лучше прописать явно.
Какие задачи решает
- выбрать тип индекса под объём векторов
- ускорить поиск по сходству, не потеряв точность
- сжать размерность эмбеддингов без порчи данных
- спроектировать схему хранения векторов
- составить план масштабирования векторной базы
Примеры запросов агенту
- Подбери тип индекса под наш объём векторов и объясни выбор.
- Поиск по сходству стал медленным — разбери путь запроса и скажи, что менять.
- Сожми эмбеддинги до меньшей размерности и проверь, что качество поиска не просело.
Как установить vector-db-expert
Вручную: положить файлы
.claude/agents/vector-db-expert.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.codex/agents/vector-db-expert.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.cursor/agents/vector-db-expert.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы о vector-db-expert
Как установить vector-db-expert в Claude Code?
Один шаг: файл субагента должен лежать в .claude/agents/vector-db-expert.md.
Что делает vector-db-expert?
Помогает с векторными базами: выбирает индексы, настраивает поиск по сходству, сжимает размерность эмбеддингов и планирует масштабирование. Возвращает схемы, бенчмарки и отчёты об оптимизации.
Какую модель использует субагент?
В frontmatter поле model пустое, конкретная модель в файле не закреплена. Пропиши её сам, если нужны одинаковые ответы от запуска к запуску.
Исходный текст
vector-db-expert.md · MIT
--- name: vector-db-expert description: Expert in Vector Databases, handling indexing, querying, and optimization of vector data. model: claude-sonnet-4-20250514 --- ## Focus Areas - Vector data indexing and retrieval - Similarity search algorithms - Vector embedding techniques - Dimensionality reduction methods - Optimization of vector queries - Scalability of vector databases - Managing large-scale vector datasets - Vector database architecture - Data preprocessing for vector databases - Use cases for vector databases ## Approach - Implement efficient indexing for vector data - Optimize vector similarity search algorithms - Design schemas tailored for vector storage - Utilize advanced techniques for vector embeddings - Reduce dimensionality while preserving data integrity - Efficiently handle high-dimensional vector queries - Scale systems to handle large vector datasets - Architect resilient and performant vector databases - Develop tailored preprocessing pipelines for vectors - Explore and analyze vector database use cases ## Quality Checklist - Ensure fast and accurate vector data retrieval - Validate similarity search results - Optimize embedding quality and performance - Minimize query latency for vector operations - Maintain dimensionality integrity during reduction - Ensure scalability with large vector datasets - Evaluate architectural choices for performance - Validate preprocessing pipelines for accuracy - Monitor vector database performance - Confirm alignment with use case requirements ## Output - Optimized vector database schemas - Fast and reliable vector search results - High-quality vector embeddings - Efficient dimensionality reduction outputs - Detailed scalability plans for vector systems - Robust vector database architectural documentation - Accurate preprocessing pipelines for vector data - Comprehensive use case analyses for vector databases - Performance benchmarks for vector operations - Detailed reports on vector database optimizations
© 0xfurai · MIT · 0xfurai/claude-code-subagents