vector-database-engineer

Umiejętność eksperta od wektorowych baz danych. Opanujesz Pinecone, Weaviate, Qdrant, Milvus i pgvector do budowania systemów RAG, wyszukiwania semantycznego i rekomendacji. Pomagam wybrać model osadzania, skonfigurować indeksy (HNSW, IVF, PQ), wdrożyć hybrydowe wyszukiwanie oraz zoptymalizować wydajność dla milionów wektorów. Używaj tej umiejętności do implementacji wyszukiwania semantycznego, budowy silników rekomendacji i skalowania operacji wektorowych.

1. Załaduj umiejętność Vector Database Engineer w swoim agencie Claude/Copilot. Umiejętność aktywuje się automatycznie, gdy pracujesz nad zadaniami związanymi z wektorowymi bazami danych, wyszukiwaniem semantycznym lub systemami RAG.

2. Opisz swoje cele i ograniczenia — na przykład: jakie dane chcesz indeksować, ile wektorów planujesz przechowywać, jakie są wymagania dotyczące opóźnień wyszukiwania. Umiejętność analizuje charakterystykę danych i wzorce zapytań, aby zaproponować odpowiednie rozwiązanie.

3. Pozwól umiejętności wybrać model osadzania i bazę danych. Na podstawie Twoich wymagań sugeruje ona odpowiednią bazę (Pinecone, Weaviate, Qdrant, Milvus lub pgvector) oraz typ indeksu (HNSW, IVF, PQ).

4. Pracuj z umiejętością nad projektowaniem pipeline'u przetwarzania — chunking dokumentów, preprocessing danych, konfiguracja schematu metadanych do filtrowania. Umiejętność proponuje strategie optymalizacji i hybrydowego wyszukiwania (wektory + słowa kluczowe).

5. Wdróż rozwiązanie i zoptymalizuj je pod kątem kompromisu między opóźnieniami a dokładnością wyszukiwania. Umiejętność dostarcza kroki weryfikacji i wskazówki dotyczące monitorowania oraz reindeksowania.

6. Jeśli potrzebujesz szczegółowych przykładów implementacji, umiejętność odsyła Cię do pliku resources/implementation-playbook.md, gdzie znajdziesz praktyczne wzorce dla konkretnych przypadków użycia.