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.
Ocena i bezpieczeństwo
- Pliki w paczce
- 2
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 2
Brak sygnałów. Repozytorium zmienione 02.09.2026, bez odwołań do wycofanych modeli i API.
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
- Core Commands
- Ingestion Pipeline
- Search Pipeline
- Configuration
- Metadata Filtering
- Privacy
- Reference
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.