vector-database-engineer — скилл для Claude Code
Скилл vector-database-engineer для Claude Code помогает выбрать векторную базу и настроить поиск по эмбеддингам. Решает задачи RAG, семантического поиска и рекомендаций с учётом recall и задержки.
MIT ★ 50 109 обновлён 2026-10-29
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a claude-codeЧто делает vector-database-engineer
Скилл разбирает векторный поиск по частям: выбор базы (Pinecone, Weaviate, Qdrant, Milvus, pgvector), модель эмбеддингов, тип индекса HNSW, IVF или PQ, гибридный поиск по векторам и ключевым словам, нарезка документов на чанки, фильтры по метаданным. Баланс задержки и recall тоже в списке.
Это инструкция для агента, а не библиотека. Сначала он уточняет цели и входные данные, потом ведёт по шагам от анализа запросов до мониторинга и переиндексации. За подробными примерами скилл отправляет в resources/implementation-playbook.md.
Ломается всё чаще всего на размерности. Проверьте, что база и индекс держат выходную размерность выбранной модели, а при смене модели на несовместимую индекс придётся пересобирать. Выдачу всё равно меряют на своих данных: тесты recall и задержки скилл не заменяет.
Какие задачи решает
- выбрать векторную базу под объём данных и тип запросов
- подобрать модель эмбеддингов и сверить её размерность с индексом
- настроить HNSW или IVF под нужный баланс задержки и recall
- собрать гибридный поиск из векторов и ключевых слов
- порезать документы на чанки с перекрытием и фильтрами по метаданным
Примеры запросов агенту
- Собери RAG по папке
docs/: какая база подойдёт и как настроить индекс? - Добавь в поиск на pgvector гибридную выдачу с фильтрами по метаданным.
- Поиск стал медленным после роста индекса. Что крутить в HNSW?
Как установить vector-database-engineer
1Через Skills CLI (Vercel)
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a claude-code2Вручную: положить файлы
~/.claude/skills/vector-database-engineer/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/vector-database-engineer/
1Через Skills CLI (Vercel)
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a codex2Вручную: положить файлы
.agents/skills/vector-database-engineer/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a cursor2Вручную: положить файлы
.cursor/skills/vector-database-engineer/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install sickn33/agentic-awesome-skills skills/vector-database-engineer2Вручную: положить файлы
.github/skills/vector-database-engineer/SKILL.md1Через Skills CLI (Vercel)
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a gemini-cli2Командой платформы
gemini skills install https://github.com/sickn33/agentic-awesome-skills --path skills/vector-database-engineerВручную: положить файлы
.devin/skills/vector-database-engineer/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -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 vector-database-engineer
Как установить vector-database-engineer в Claude Code?
Выполните npx skills add sickn33/agentic-awesome-skills --skill vector-database-engineer -a claude-code. Файл скилла появится в ~/.claude/skills/vector-database-engineer/SKILL.md.
Что делает vector-database-engineer?
Помогает спроектировать векторный поиск: выбрать базу и модель эмбеддингов, настроить индекс, собрать гибридную выдачу, разбить документы на чанки и отладить фильтры по метаданным.
С какими векторными базами он работает?
С Pinecone, Weaviate, Qdrant, Milvus и pgvector. Отдельно разбираются типы индексов HNSW, IVF и PQ и гибридный поиск.
Исходный текст
SKILL.md · MIT
--- name: vector-database-engineer description: "Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similar" risk: critical source: community date_added: "2026-02-27" --- # Vector Database Engineer Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similarity search. Use PROACTIVELY for vector search implementation, embedding optimization, or semantic retrieval systems. ## Do not use this skill when - The task is unrelated to vector database engineer - You need a different domain or tool outside this scope ## Instructions - Clarify goals, constraints, and required inputs. - Apply relevant best practices and validate outcomes. - Provide actionable steps and verification. - If detailed examples are required, open `resources/implementation-playbook.md`. ## Capabilities - Vector database selection and architecture - Embedding model selection and optimization - Index configuration (HNSW, IVF, PQ) - Hybrid search (vector + keyword) implementation - Chunking strategies for documents - Metadata filtering and pre/post-filtering - Performance tuning and scaling ## Use this skill when - Building RAG (Retrieval Augmented Generation) systems - Implementing semantic search over documents - Creating recommendation engines - Building image/audio similarity search - Optimizing vector search latency and recall - Scaling vector operations to millions of vectors ## Workflow 1. Analyze data characteristics and query patterns 2. Select appropriate embedding model 3. Design chunking and preprocessing pipeline 4. Choose vector database and index type 5. Configure metadata schema for filtering 6. Implement hybrid search if needed 7. Optimize for latency/recall tradeoffs 8. Set up monitoring and reindexing strategies ## Best Practices - Use the chosen model’s documented output dimensions; confirm database/index support and reindex on incompatible model changes - Implement proper chunking with overlap - Use metadata filtering to reduce search space - Monitor embedding drift over time - Plan for index rebuilding - Cache frequent queries - Test recall vs latency tradeoffs ## Example **User request:** > Build RAG (Retrieval Augmented Generation) systems. ## Limitations - Use this skill only when the task clearly matches the scope described above. - Do not treat the output as a substitute for environment-specific validation, testing, or expert review. - Stop and ask for clarification if required inputs, permissions, safety boundaries, or success criteria are missing.
© sickn33 · MIT · sickn33/agentic-awesome-skills