Agent Skills
返回列表
向量数据库大师

向量数据库大师

开发编程 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_69009747/vector-database-master。

技能介绍

解决的问题

做语义搜索、RAG 或多模态检索时，工程师常遇到：Milvus、Qdrant、Chroma、Pinecone、pgvector 选哪一个？HNSW、IVFFLAT、IVFPQ 怎么配？单机 Demo 能跑，但集群部署、压测、ef、M、分区、连接池和监控又容易失控。

工作方式

该技能把向量数据库实践拆成可执行路线：

  • 选型决策：对比五类向量库的部署模式、性能、过滤、运维、规模和社区。
  • 索引深入：解释 IVFFLAT、IVFPQ、HNSW 的精度、速度和内存取舍。
  • 部署与压测：给出 Milvus Docker Compose 验证、集群架构、1M/10M/100M 基线。
  • RAG 与多模态：覆盖 LangChain 接入与图文同 Collection 检索。

生产部分还列出 Embedding 维度、批量写入、HNSW M 值、Partition Key、ef、动态 Schema、监控、归档、持久化和连接池等常见坑。

适用边界

它适合从原型到企业级向量检索的工程落地，尤其是 Milvus 方案。资料偏重中文实践与脚本索引，具体性能数字依赖硬件、向量规模和数据分布，不能直接当作固定 SLA。

使用场景

  • 为知识库项目选择向量库，对比 Milvus、Qdrant、pgvector 的部署、过滤与运维成本。
  • 部署 Milvus 单机版，验证连接、Collection 创建和 Top10 查询延迟。
  • 做图文检索原型，把文本与图片向量存入同一 Collection，实现以文搜图。
  • 压测 10M 向量索引构建与查询 P99，记录 QPS 和内存占用基线。

适合人员

  • 负责 RAG 知识库的后端工程师，需要选定向量库并接入 LangChain。
  • 做多模态搜索的算法工程师，需要把图文 Embedding 存入同一检索服务。
  • 负责生产检索服务的 SRE，需要部署 Milvus、压测和配置监控告警。
  • 使用 pgvector 或 Chroma 做原型的工程师，需要判断何时迁移到分布式向量库。