Przejdź do treści
Biblioteka skilli
AI i agenci · Budowanie i kod

vector-store-operations

/vector-store-operations

Prowadzi indeks wektorowy w produkcji: wymiary, filtrowanie, aktualizacje i reindeksację po zmianie modelu embeddingów, aby wyszukiwanie semantyczne pozostało poprawne.

Repozytorium
AI-SKILLS ↗
Licencja
MIT
Ostatnia zmiana repozytorium
05.09.2026

Ocena i bezpieczeństwo

90/ 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.
Treść25 / 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
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 05.09.2026, bez odwołań do wycofanych modeli i API.

Licencja

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

Co robi i kiedy

Prowadzi indeks wektorowy w produkcji: wymiary, filtrowanie, aktualizacje i reindeksację po zmianie modelu embeddingów, aby wyszukiwanie semantyczne pozostało poprawne.

Oryginalny opis (EN)

Run a vector index in production, covering dimensions, filtering, updates, and reindexing when the embedding model changes. Use when semantic search is live and must stay correct as data and models change.

Jak działa

  1. Method
  2. Boundaries
Sekcje z nagłówków SKILL.md, w oryginale · 38 linii, 248 słów
Podgląd SKILL.md
---
name: vector-store-operations
description: Run a vector index in production, covering dimensions, filtering, updates, and reindexing when the embedding model changes. Use when semantic search is live and must stay correct as data and models change.
---

# Vector store operations

A vector index is a derived structure tied to a specific embedding
model. The operational realities that surprise teams are that filters
interact badly with approximate search, updates are not free, and
changing the model means rebuilding everything.

## Method

1. **Pin the embedding model per index.** Vectors from different models
   are not comparable, so a model change is a full reindex rather than a
   rolling update (see embeddings-selection).
2. **Understand your filtering model.** Pre-filtering and post-filtering
   behave very differently with approximate search, and post-filtering
   can return far fewer results than requested.
3. **Store metadata alongside vectors.** Filters on source, date, and
   permissions need to be evaluated in the index rather than after
   retrieval (see realtime-permissions).
4. **Plan updates and deletions explicitly.** Some indexes handle
   deletion by tombstoning and degrade until compacted, which is an
   operational task rather than an automatic one.
5. **Build into a new index and swap.** Reindexing in place leaves the
   system serving inconsistent results during the rebuild (see
   search-indexing-pipeline).
6. **Tune recall against latency deliberately.** Approximate search has
   parameters that trade accuracy for speed, and the defaults are rarely
   right for a specific corpus.
7. **Monitor index size, latency, and recall over time.** All three
   drift as data grows, and recall degradation is silent.

## Boundaries

Vector search finds similar things, which is not always relevant things
(see hybrid-search). Approximate indexes trade guaranteed recall for
speed by design. Vector databases add infrastructure that a modest
corpus may not justify.

Wersje

W bazie nie ma innych skilli o nazwie vector-store-operations.

Migawka bazy z 13.11.2026 · wersja paczki 4f339de9c594 (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

  • 100deploy-semantic-search-engine
    Wdraża silnik wyszukiwania semantycznego: potok embeddingów, indeks wektorowy, wyszukiwanie hybrydowe, profile punktacji, rozszerzanie zapytań i API personalizacji.
  • 98vector-search-patterns
    Wdraża wyszukiwanie wektorowe: generowanie embeddingów, dobór indeksu i wyszukiwanie hybrydowe w ChromaDB, pgvector i FAISS oraz projekt potoku RAG.
  • 100rag-engineer
    Projektuje systemy RAG dla aplikacji LLM: dobiera modele embeddingów i bazy wektorowe, ustawia chunking i optymalizuje wyszukiwanie semantyczne oraz pobieranie dokumentów.
  • 100vector-database
    Projektuje i strojenie baz wektorowych: schematy pgvector, kolekcje Weaviate, indeksy HNSW, modele embeddingów i RAG.
  • 100fai-embedding-model-select
    Dobiera i konfiguruje modele embeddingów do wyszukiwania wektorowego i RAG: porównanie wariantów text-embedding-3, wymiary, rozmiary partii, chunking, benchmark jakości i wagi wyszukiwania hybrydowego.
  • 100aidp-knowledge-bases
    Buduje i zarządza bazami wiedzy AIDP dla RAG: tworzy KB nad danymi katalogu, dobiera model embeddingów i chunking, buduje indeks wektorowy HNSW lub IVF i uruchamia ingestię.

Uwagi i zgłoszenia

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