Synthèse automatique
Ce guide optimise les performances des index vectoriels (HNSW, quantification) pour la latence, le rappel et la mémoire.
Points forts
- Approche structurée avec paramétrage systématique
- Couverture des aspects clés (HNSW, quantification, mémoire)
- Recommandations de sécurité pour la production
- Référence à une playbook d'implémentation détaillée
Limites
- Nécessite des métriques de charge réelles ou un ensemble de validation
- Ne traite pas la conception complète du système de recherche
- Se concentre sur les index vectoriels, pas sur d'autres méthodes de recherche
Quand vous devez ajuster les paramètres HNSW, implémenter la quantification ou équilibrer rappel et vitesse pour des millions ou milliards de vecteurs.
Pour une recherche exacte sur de petits jeux de données où un index plat suffit, ou si vous manquez de données de validation pour mesurer le rappel.
Analyse de sécurité
SûrThe skill is purely advisory guidance for vector index tuning; it contains no executable commands, no external data access, and no instructions that could harm systems or exfiltrate data.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
I need to tune HNSW parameters (M, ef_construction, ef_search) for a 10M vector dataset. Help me design a benchmark to balance recall and latency.Which quantization method should I use for my 768-dimension embeddings to reduce memory usage while maintaining 95% recall? I have 100M vectors.I want to reindex my vector collection with new HNSW parameters in production. Provide a safe rollback plan and validation steps to avoid quality regressions.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." risk: unknown source: community date_added: "2026-02-27"
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
- Gather workload targets (latency, recall, QPS), data size, and memory budget.
- Choose an index type and establish a baseline with default parameters.
- Benchmark parameter sweeps using real queries and track recall, latency, and memory.
- 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.mdfor 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 annexesCe 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.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/vector-index-tuning-mmlj2p90/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-mmlj2p90' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/vector-index-tuning-mmlj2p90/download' --output '.skill-downloads/vector-index-tuning-mmlj2p90/SKILL.md.part' && mv '.skill-downloads/vector-index-tuning-mmlj2p90/SKILL.md.part' '.skill-downloads/vector-index-tuning-mmlj2p90/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-mmlj2p90/SKILL.md' && test -s '.skill-downloads/vector-index-tuning-mmlj2p90/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/vector-index-tuning' && cp -R '.skill-downloads/vector-index-tuning-mmlj2p90' '.claude/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’OpenSkillsopenskills install './.skill-downloads/vector-index-tuning-mmlj2p90'openskills read 'vector-index-tuning-mmlj2p90'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 syncMode 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-mmlj2p90/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.
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).
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.
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.