# databricks-vector-search

Скилл для создания векторных индексов Databricks и поиска по эмбеддингам в Delta-таблицах. Пригодится для RAG-приложений и семантического поиска.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 380 установок · ★ 368
- Автор: databricks
- Лицензия: LicenseRef-Unknown · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-vector-search/SKILL.md
- Обновлён: 2026-10-24
- HTML: https://affpapa.org/nevibecode/skills/databricks-vector-search

## Что делает

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.

## Требования
- Работает с: Databricks

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/databricks-vector-search/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/databricks-vector-search/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/databricks-vector-search/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/databricks-vector-search/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install databricks/databricks-agent-skills databricks-vector-search
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/databricks-vector-search/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/databricks/databricks-agent-skills --path skills/databricks-vector-search
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/databricks-vector-search/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-vector-search -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-vector-search/SKILL.md

## Когда брать
- 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_index` на эндпоинте `my-vs-endpoint` из таблицы `catalog.schema.documents`, колонку `content` эмбеддь через `databricks-gte-large-en`
- Запроси 10 ближайших результатов из индекса `catalog.schema.my_index` по тексту «What is machine learning?», верни `id`, `content` и `metadata`
- Добавь в Direct Access индекс `catalog.schema.direct_index` две записи с `id`, `text`, `embedding` и `metadata` через `upsert_data_vector_index`

## Похожие
- [xlsx](https://affpapa.org/nevibecode/skills/xlsx.md) — скилл · 187223 установки
- [google-agents-cli-observability](https://affpapa.org/nevibecode/skills/google-agents-cli-observability.md) — скилл · 511300 установок
- [caveman-evidence-review](https://affpapa.org/nevibecode/skills/caveman-evidence-review.md) — скилл · 104500 установок
- [migration](https://affpapa.org/nevibecode/skills/migration.md) — скилл · 103900 установок
- [performance-optimization](https://affpapa.org/nevibecode/skills/performance-optimization.md) — скилл · 65200 установок
- [supabase](https://affpapa.org/nevibecode/skills/supabase.md) — скилл · 8 установок

Из того же набора: [databricks/databricks-agent-skills](https://affpapa.org/nevibecode/by/databricks/databricks-agent-skills.md) — 12 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md