Przejdź do treści
Biblioteka skilli
AI i agenci · Integracja z narzędziem

cli-vstash

/cli-vstash

Prowadzi lokalną pamięć dokumentów z wyszukiwaniem semantycznym dla pracy z AI: dodawanie dokumentów, wyszukiwanie i pytania przez vstash, potoki RAG i lokalne bazy wiedzy dla dokumentacji, kodu i prac naukowych.

Repozytorium
prompts ↗
Licencja
MIT
Ostatnia zmiana repozytorium
02.09.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
2
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
2
Przestarzałość

Brak sygnałów. Repozytorium zmienione 02.09.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Prowadzi lokalną pamięć dokumentów z wyszukiwaniem semantycznym dla pracy z AI: dodawanie dokumentów, wyszukiwanie i pytania przez vstash, potoki RAG i lokalne bazy wiedzy dla dokumentacji, kodu i prac naukowych.

Oryginalny opis (EN)

Local document memory with semantic search for AI-assisted workflows. Use when managing project documentation, codebases, or research papers that need persistent memory across sessions. Triggers on: vstash add/search/ask commands, document ingestion, semantic search, RAG pipelines, local knowledge bases, or configuring vstash for personal projects.

Jak działa

  1. Core Commands
  2. Ingestion Pipeline
  3. Search Pipeline
  4. Configuration
  5. Metadata Filtering
  6. Privacy
  7. Reference
Sekcje z nagłówków SKILL.md, w oryginale · 123 linii, 445 słów
Podgląd SKILL.md
---
name: cli-vstash
description: 'Local document memory with semantic search for AI-assisted workflows. Use when managing project documentation, codebases, or research papers that need persistent memory across sessions. Triggers on: vstash add/search/ask commands, document ingestion, semantic search, RAG pipelines, local knowledge bases, or configuring vstash for personal projects.'
---

# vstash CLI

Local document memory with instant semantic search. Drop any file, ask anything.

## Core Commands

```bash
# Ingest documents (PDF, DOCX, PPTX, XLSX, Markdown, code, URLs)
vstash add paper.pdf notes.md https://example.com/article
vstash add ./docs --collection research --project ml-survey

# Semantic search (free, no LLM needed)
vstash search "what's the main argument about X?"

# Ask with LLM (requires inference backend)
vstash ask "summarize the key findings"

# Interactive chat session
vstash chat

# Document management
vstash list                          # Show all ingested documents
vstash stats                         # DB statistics (docs, chunks, size)
vstash forget paper.pdf              # Remove document from memory
vstash reindex                       # Switch embedding model without re-ingesting

# Auto-ingest on file changes
vstash watch ./docs

# Export for training data curation
vstash export --project ml-survey --format jsonl

# Show current configuration
vstash config
```

## Ingestion Pipeline

```text
file/URL → parse → chunk → embed → store vectors → index text
```

**Parsing:**

- Non-code: markitdown (preserves structure)
- Code (`code_aware=true`): raw UTF-8 to preserve syntax

**Chunking strategies:**

| Mode | Files | Strategy |
|------|-------|----------|
| Semantic | MD, PDF, DOCX | Headers → paragraphs → fixed-window → merge small |
| Code-aware | Python, JS/TS, Go, Rust, Java | Split at top-level `def`/`class`/`func`/`fn` |

## Search Pipeline

```text
query → embed → vector search (top-k×10) → keyword search (top-k×10) → RRF fusion → memory scoring → dedup → relevance signal → top-k
```

**Reciprocal Rank Fusion (RRF):** Merges vector + keyword rankings without comparable scores.

**Relevance signal:** Distance-based confidence tiers:

- ≤ 0.95: high (full confidence)
- 0.95–0.98: medium (uncertain)
- > 0.98: low (results may not match)

**Context expansion:** ±1 adjacent chunks included for LLM answers (2.64× more context).

## Configuration

Create `vstash.toml` in current directory or `~/.vstash/vstash.toml`:

```toml
[inference]
backend = "ollama"  # or "cerebras", "openai"

[ollama]
host = "http://localhost:11434"
model = "llama3.2"

[embeddings]
model = "BAAI/bge-small-en-v1.5"  # multilingual: "BAAI/bge-m3"

[chunking]
size = 1024
overlap = 128
code_aware = true

[scoring]
enabled = true  # frequency + temporal decay re-ranking
```

Run `vstash config` to see active settings.

## Metadata Filtering

```bash
vstash add notes.md --collection research --project ml-survey --tags "attention,transformers"
vstash list --project ml-survey
vstash ask "what architectures were compared?" --project ml-survey
```

Documents with YAML frontmatter are parsed automatically.

## Privacy

| Component | Local? |
|-----------|--------|
| Embeddings (FastEmbed ONNX) | Yes |
| Vector store (sqlite-vec) | Yes |
| Semantic search | Yes |
| Inference (Ollama) | Yes |
| Inference (Cerebras/OpenAI) | No — chunks sent to API |

For full privacy, use `backend = "ollama"` or use `vstash search` instead of `vstash ask`.

## Reference

See `references/cli-reference.md` for full option details.
Pliki w paczce (2)
  • SKILL.md 4 KB
  • references/cli-reference.md 3 KB

Wersje

W bazie nie ma innych skilli o nazwie cli-vstash.

Migawka bazy z 13.11.2026 · wersja paczki 179660a26b6a (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 95mcp-vstash
    Konfiguruje serwer MCP vstash, dający asystentom trwałą pamięć dokumentów i wyszukiwanie semantyczne.
  • 100langchain4j-rag-implementation-patterns
    Dostarcza wzorce RAG z LangChain4j w Javie: potoki wczytywania dokumentów, magazyny osadzeń, wyszukiwanie wektorowe i semantyczne oraz systemy pytań i odpowiedzi nad dokumentami.
  • 100rag-implementation
    Buduje systemy RAG dla aplikacji LLM z bazami wektorowymi i wyszukiwaniem semantycznym, na przykład do pytań i odpowiedzi nad dokumentami.
  • 100rag-implementation
    Buduje systemy RAG dla aplikacji LLM z bazami wektorowymi i wyszukiwaniem semantycznym, na przykład do pytań i odpowiedzi nad dokumentami.
  • 100rag-implementation
    Buduje systemy RAG dla aplikacji LLM z bazami wektorowymi i wyszukiwaniem semantycznym, na przykład do pytań i odpowiedzi nad dokumentami.
  • 100rag-implementation
    Buduje systemy RAG dla aplikacji LLM z bazami wektorowymi i wyszukiwaniem semantycznym, na przykład do pytań i odpowiedzi nad dokumentami.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.