向量数据库工程师

要解决什么问题

RAG、文档语义搜索和推荐系统都依赖「把文本/多模态内容变成向量，再在库里做近似最近邻检索」。工程上容易卡在：库和索引类型选错导致延迟或召回不达标、分块与元数据设计不当让检索上下文错位、只做纯向量搜索却漏掉关键词约束，以及数据量上来后重索引与监控缺失。

技能如何协助落地

本技能以向量数据库工程为主线，覆盖 Pinecone、Weaviate、Qdrant、Milvus、pgvector 等常见栈，并强调可执行的决策与验证：

• 选型与架构：结合数据规模、查询模式（点查、过滤、批量）设计存储与检索路径
• 嵌入与分块：嵌入模型与维度（如 384–1536）匹配用例；分块重叠、预处理管道
• 索引与搜索：HNSW、IVF、PQ 等索引配置；混合搜索（向量 + 关键字）；元数据的预过滤/后过滤
• 性能与运维：延迟与召回权衡、缓存高频查询、嵌入漂移监控、索引重建规划

典型工作流包括：分析数据与查询模式 → 选嵌入模型 → 设计分块管道 → 选库与索引 → 配置元数据过滤 → 按需混合搜索 → 调优并建立监控/重索引策略。更细的示例见资料中的 resources/implementation-playbook.md。

适用边界

任务与向量库、嵌入、语义检索无关时不必启用；需要其他领域专用工具（与非向量检索栈为主的工作）时也应换用对应技能。使用时需先明确目标、约束和输入，再按步骤验证召回与延迟，而不是只给概念清单。