vector-database-engineer

インストールへ移動

リポジトリ: tranhieutt/software_development_department
ソースの最終更新活動: 2026年4月3日 07:17
検出された SKILL.md の言語: 英語
スター: 71
フォーク: 41

インストール方法

デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。

Codex または Claude でインストールこの Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。

直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。

npx skills add https://github.com/tranhieutt/software_development_department --skill vector-database-engineer

コマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。

ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。

ソースファイルを確認

インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。

SKILL.md

ソースの指示 · 読み取り専用プレビュー

検索に戻るインストールに戻る

Vector Database Engineer

Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similarity search. Use PROACTIVELY for vector search implementation, embedding optimization, or semantic retrieval systems.

Do not use this skill when

The task is unrelated to vector database engineer

You need a different domain or tool outside this scope

Instructions

Clarify goals, constraints, and required inputs.

Apply relevant best practices and validate outcomes.

Provide actionable steps and verification.

If detailed examples are required, open resources/implementation-playbook.md.

Capabilities

Vector database selection and architecture

Embedding model selection and optimization

Index configuration (HNSW, IVF, PQ)

Hybrid search (vector + keyword) implementation

Chunking strategies for documents

Metadata filtering and pre/post-filtering

Performance tuning and scaling

Use this skill when

Building RAG (Retrieval Augmented Generation) systems

Implementing semantic search over documents

Creating recommendation engines

Building image/audio similarity search

Optimizing vector search latency and recall

Scaling vector operations to millions of vectors

Workflow

Analyze data characteristics and query patterns

Select appropriate embedding model

Design chunking and preprocessing pipeline

Choose vector database and index type

Configure metadata schema for filtering

Implement hybrid search if needed

Optimize for latency/recall tradeoffs

Set up monitoring and reindexing strategies

Best Practices

Choose embedding dimensions based on use case (384-1536)

Implement proper chunking with overlap

Use metadata filtering to reduce search space

Monitor embedding drift over time

Plan for index rebuilding

Cache frequent queries

Test recall vs latency tradeoffs

When to Use

Use when Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similar

name	vector-database-engineer
type	reference
description	Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similar
paths	["*/.py","*/.ts","/embeddings/","*/vector","*/pinecone","*/qdrant"]
when_to_use	When implementing vector search with Pinecone, Weaviate, Qdrant, Milvus, or pgvector for semantic search and RAG applications
allowed-tools	Read, Glob, Grep, Write, Edit, Bash
user-invocable	true
effort	3

name	vector-database-engineer
type	reference
description	Expert in vector databases, embedding strategies, and semantic search implementation. Masters Pinecone, Weaviate, Qdrant, Milvus, and pgvector for RAG applications, recommendation systems, and similar
paths	["*/.py","*/.ts","/embeddings/","*/vector","*/pinecone","*/qdrant"]
when_to_use	When implementing vector search with Pinecone, Weaviate, Qdrant, Milvus, or pgvector for semantic search and RAG applications
allowed-tools	Read, Glob, Grep, Write, Edit, Bash
user-invocable	true
effort	3

vector-database-engineer

ソース情報

インストール方法

ソースファイルを確認

このリポジトリの他の Skills

このリポジトリの他の Skills