databricks-vector-search — скилл для Claude Code: что делает
Скилл для создания векторных индексов Databricks и поиска по эмбеддингам в Delta-таблицах. Пригодится для RAG-приложений и семантического поиска.
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a claude-codeЧто делает databricks-vector-search
Скилл учит агента работать с Databricks Vector Search: создавать эндпоинты (STANDARD или STORAGE_OPTIMIZED), индексы трёх типов (Delta Sync с автогенерацией эмбеддингов, Delta Sync с готовыми векторами, Direct Access для ручного управления) и запрашивать результаты по тексту или вектору. Агент умеет настраивать гибридный поиск (ANN + BM25) — полезно, когда в запросе есть точные термины вроде SKU или кодов ошибок. Фильтры для Standard-эндпоинтов передаются в формате словаря, для Storage-Optimized — SQL-подобным синтаксисом через пакет databricks-vectorsearch.
Индексы Delta Sync автоматически синхронизируются с исходной Delta-таблицей. Режим TRIGGERED запускает синхронизацию вручную, CONTINUOUS — следит за обновлениями. Direct Access индекс позволяет добавлять, обновлять и удалять векторы через upsert_data_vector_index и delete_data_vector_index. Storage-Optimized эндпоинты вмещают более миллиарда векторов, но задержка выше — 300–500 мс против 20–50 мс у Standard.
Какие задачи решает
- создать векторный индекс из Delta-таблицы с автогенерацией эмбеддингов
- запустить семантический поиск по тексту или вектору
- настроить гибридный поиск с BM25 для точных терминов
- синхронизировать индекс с Delta-таблицей в режиме реального времени
- выбрать между Standard и Storage-Optimized для миллиардов векторов
Примеры запросов агенту
- Создай векторный индекс
catalog.schema.docs_indexна эндпоинтеmy-vs-endpointиз таблицыcatalog.schema.documents, колонкуcontentэмбеддь черезdatabricks-gte-large-en - Запроси 10 ближайших результатов из индекса
catalog.schema.my_indexпо тексту «What is machine learning?», верниid,contentиmetadata - Добавь в Direct Access индекс
catalog.schema.direct_indexдве записи сid,text,embeddingиmetadataчерезupsert_data_vector_index
Как установить databricks-vector-search
1Через Skills CLI (Vercel)
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a claude-code2Вручную: положить файлы
~/.claude/skills/databricks-vector-search/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/databricks-vector-search/
1Через Skills CLI (Vercel)
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a codex2Вручную: положить файлы
.agents/skills/databricks-vector-search/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a cursor2Вручную: положить файлы
.cursor/skills/databricks-vector-search/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install databricks/databricks-agent-skills databricks-vector-search2Вручную: положить файлы
.github/skills/databricks-vector-search/SKILL.md1Через Skills CLI (Vercel)
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a gemini-cli2Командой платформы
gemini skills install https://github.com/databricks/databricks-agent-skills --path skills/databricks-vector-searchВручную: положить файлы
.devin/skills/databricks-vector-search/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о databricks-vector-search
Как установить databricks-vector-search в Claude Code?
Выполни npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a claude-code, скилл появится в ~/.claude/skills/databricks-vector-search/SKILL.md.
Что делает databricks-vector-search?
Скилл позволяет агенту создавать векторные индексы Databricks для семантического поиска и RAG, настраивать эндпоинты, синхронизировать индексы с Delta-таблицами и запрашивать результаты по тексту или вектору.
Когда выбрать Storage-Optimized вместо Standard эндпоинта?
Storage-Optimized вмещает более миллиарда векторов и в семь раз дешевле, но задержка 300–500 мс против 20–50 мс у Standard. Подходит для больших архивов, где скорость отклика не критична.
