Skills Guide

Optimisation des Index Vectoriels

VérifiéSûr

Aide à optimiser les performances des index vectoriels en ajustant les paramètres HNSW, en sélectionnant des stratégies de quantification et en gérant l'équilibre entre latence, rappel et mémoire. Utile lors du passage à l'échelle de l'infrastructure de recherche vectorielle ou pour réduire la latence des requêtes tout en maintenant la qualité des résultats.

Télécharger et utiliser
Spar Skills Guide Bot
Data & IAIntermédiaire
02/06/2026
Claude CodeCursor
#vector-index#hnsw#quantization#performance-tuning#search

Recommandé pour

Claude CodeCursorData scientistData & analyse

Synthèse automatique

Ce guide aide à optimiser les paramètres d'un index vectoriel (par exemple HNSW, quantification) pour équilibrer latence, rappel et utilisation mémoire en production.

Points forts

  • Propose des étapes concrètes de benchmarking et de validation
  • Couvre le balayage de paramètres pour HNSW et les techniques de quantification
  • Inclut des consignes de sécurité et de rollback pour les modifications en production

Limites

  • Suppose une familiarité de base avec les concepts de recherche vectorielle
  • Ne couvre pas la conception complète d'un système de retrieval au-delà du réglage d'index
  • Nécessite des métriques de charge et des données de vérité terrain pour valider le rappel
Quand l'utiliser

Utilisez-le lorsque vous devez régler les paramètres HNSW, mettre en œuvre la quantification ou passer à l'échelle avec des milliards de vecteurs tout en respectant des objectifs stricts de latence et de rappel.

Quand l'éviter

Ne l'utilisez pas si vous avez besoin uniquement d'une recherche exacte sur de petits jeux de données (préférez un index plat) ou si vous manquez de métriques de charge pour valider le rappel.

Analyse de sécurité

Sûr
Score qualité85/100

The skill is a knowledge resource on tuning vector indexes, containing no executable instructions or dangerous operations. It advises caution but does not perform any actions.

Aucun point d'attention détecté

Comment cette analyse est faite

Exemples

Tune HNSW parameters
I need to tune HNSW parameters (efConstruction, M, efSearch) for a 10M vector dataset with 768-dimensional embeddings. Target: 95% recall at <50ms latency and 10GB memory budget. Help me run a parameter sweep and interpret results.
Select quantization strategy
My vector index uses 1M 512-dimensional float vectors but memory is too high. Which quantization method (e.g., PQ, SQ, binary) should I choose to reduce memory by 4x while keeping recall above 90%? Provide a benchmarking plan.
Scale index to billions
We're scaling our vector search to 1B vectors with HNSW. How should I shard the index across multiple nodes and tune efConstruction/efSearch to maintain sub-100ms latency? Include memory estimates and cost considerations.

name: vector-index-tuning description: "Optimize vector index performance for latency, recall, and memory. Use when tuning HNSW parameters, selecting quantization strategies, or scaling vector search infrastructure." metadata: author: ncdevshiv version: "1.0" category: other updated: 2026-02-25 risk: unknown source: community

Vector Index Tuning

Guide to optimizing vector indexes for production performance.

Use this skill when

  • Tuning HNSW parameters
  • Implementing quantization
  • Optimizing memory usage
  • Reducing search latency
  • Balancing recall vs speed
  • Scaling to billions of vectors

Do not use this skill when

  • You only need exact search on small datasets (use a flat index)
  • You lack workload metrics or ground truth to validate recall
  • You need end-to-end retrieval system design beyond index tuning

Instructions

  1. Gather workload targets (latency, recall, QPS), data size, and memory budget.
  2. Choose an index type and establish a baseline with default parameters.
  3. Benchmark parameter sweeps using real queries and track recall, latency, and memory.
  4. Validate changes on a staging dataset before rolling out to production.

Refer to resources/implementation-playbook.md for detailed patterns, checklists, and templates.

Safety

  • Avoid reindexing in production without a rollback plan.
  • Validate changes under realistic load before applying globally.
  • Track recall regressions and revert if quality drops.

Resources

  • resources/implementation-playbook.md for detailed patterns, checklists, and templates.

Du fichier au premier essai

Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.

Consulter la source et ses fichiers annexes

Ce téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.

1. Télécharger le fichier

Télécharger SKILL.md

Depuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.

Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.

mkdir -p '.skill-downloads/vector-index-tuning-mm5t8ce5' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/vector-index-tuning-mm5t8ce5/download' --output '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md.part' && mv '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md.part' '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md'

2. Vérifier les prérequis

Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.

Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.

Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.

3. Charger la skill

Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.

Claude Code
test -f '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md' && test -s '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/vector-index-tuning' && cp -R '.skill-downloads/vector-index-tuning-mm5t8ce5' '.claude/skills/vector-index-tuning'

Cursor
test -f '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md' && test -s '.skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/vector-index-tuning' && cp -R '.skill-downloads/vector-index-tuning-mm5t8ce5' '.cursor/skills/vector-index-tuning'

OpenSkills

OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.

Installation officielle d’OpenSkills
openskills install './.skill-downloads/vector-index-tuning-mm5t8ce5'

openskills read 'vector-index-tuning-mm5t8ce5'

La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.

Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.

openskills sync

Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.

4. Faire un premier essai

Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :

Lis .skill-downloads/vector-index-tuning-mm5t8ce5/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.

Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.

Skills similaires

Créer des cartes interactives avec kepler.gl

Data & IA

Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).

Claude CodeCursorCodexintermediateSûr 11,995
Skills Guide Bot

Optimisation de paramètres par agent

Data & IA

Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.

Claude CodeCursorCodexintermediateSûr 45,609
Skills Guide Bot

Relance des visiteurs ICP

Data & IA

Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.

Claude CodeintermediateSûr 6,843
Skills Guide Bot