vector-index-tuning
Faz seu agente buscar informações de forma mais rápida e precisa. É útil para otimizar a velocidade e a qualidade das buscas em bancos de dados de vetores.
O que ela faz
Esta ferramenta ajuda a fazer buscas em grandes quantidades de dados (como imagens ou textos) mais rápidas e eficientes. Ela ajusta como esses dados são organizados para que a IA encontre o que você procura com mais precisão e velocidade, usando menos memória.
Quando usar
- ✓Quando você tem muitos dados e a busca está lenta.
- ✓Ao tentar encontrar um equilíbrio entre a velocidade da busca e a precisão dos resultados.
- ✓Quando você precisa reduzir a quantidade de memória que a busca de dados utiliza.
Exemplo do que pedir para a IA
“Como posso otimizar a busca por imagens similares para que ela seja mais rápida e use menos memória?”
Quer saber mais? Abra as seções abaixo.
Como usar
O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.
Link da skill
Mensagem pronta para colar
Como funciona
A ferramenta ajusta parâmetros internos que controlam como os dados são conectados e armazenados. Ela pode escolher diferentes métodos de organização (como HNSW ou Quantização) dependendo do volume de dados e dos seus objetivos de velocidade e precisão.
Instalação
Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.
No terminal (Claude Code, Codex, Cursor), na pasta do projeto:
npx skills add wshobson/agents --skill vector-index-tuningOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/wshobson/agents/main/plugins/llm-application-dev/skills/vector-index-tuning/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Ajuste de Índices Vetoriais
Guia para otimizar índices vetoriais para desempenho em produção.
Quando Usar Esta Habilidade
- Ajustando parâmetros do HNSW
- Implementando quantização
- Otimizando o uso de memória
- Reduzindo a latência de busca
- Equilibrando precisão (recall) vs. velocidade
- Escalando para bilhões de vetores
Conceitos Essenciais
1. Seleção do Tipo de Índice
Data Size Recommended Index
────────────────────────────────────────
< 10K vectors → Flat (exact search)
10K - 1M → HNSW
1M - 100M → HNSW + Quantization
> 100M → IVF + PQ or DiskANN
2. Parâmetros do HNSW
| Parâmetro | Padrão | Efeito |
|---|---|---|
| M | 16 | Conexões por nó, ↑ = melhor precisão, mais memória |
| efConstruction | 100 | Qualidade da construção, ↑ = melhor índice, construção mais lenta |
| efSearch | 50 | Qualidade da busca, ↑ = melhor precisão, busca mais lenta |
3. Tipos de Quantização
Full Precision (FP32): 4 bytes × dimensions
Half Precision (FP16): 2 bytes × dimensions
INT8 Scalar: 1 byte × dimensions
Product Quantization: ~32-64 bytes total
Binary: dimensions/8 bytes
Modelos e Exemplos Detalhados
A biblioteca completa de modelos e exemplos detalhados está em references/details.md. Leia este arquivo quando precisar dos modelos concretos.
Melhores Práticas
O Que Fazer
- Teste com consultas reais - Dados sintéticos podem não representar a produção
- Monitore a precisão continuamente - Pode degradar com a deriva de dados
- Comece com os padrões - Ajuste apenas quando necessário
- Use quantização - Economia significativa de memória
- Considere armazenamento em camadas - Separação de dados quentes/frios
O Que Não Fazer
- Não otimize demais cedo - Perfilar primeiro
- Não ignore o tempo de construção - Atualizações de índice têm custo
- Não se esqueça da reinicialização do índice - Planeje a manutenção
- Não pule o aquecimento - Índices frios são lentos
Perguntas frequentes
O que são 'parâmetros HNSW'?
São configurações que afetam a velocidade e a precisão da busca em um tipo específico de organização de dados chamado HNSW. Ajustá-los pode melhorar os resultados.
O que é 'quantização'?
É uma técnica para reduzir o espaço que os dados ocupam na memória, tornando a busca mais rápida e econômica, às vezes com uma pequena perda de precisão.
O que significa 'recall vs speed'?
É um dilema comum: aumentar a velocidade da busca pode diminuir a precisão dos resultados (recall), e vice-versa. O ajuste busca o melhor equilíbrio para suas necessidades.
Detalhes
Descrição original do autor
Optimize vector index performance for latency, recall, and memory. Use when tuning HNSW parameters, selecting quantization strategies, or scaling vector search infrastructure.
repo: wshobson/agents
Popularidade
- Estrelas no GitHub
- 41 mil
- Posição no ranking
- #4894
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
screen-reader-testing
Faz seu agente testar sites usando leitores de tela para garantir que sejam acessíveis.
wshobson/agents
wcag-audit-patterns
Ajuda seu agente a auditar sites para acessibilidade e corrigir problemas de acordo com as diretrizes WCAG.
wshobson/agents
multi-reviewer-patterns
Faz seu agente coordenar revisões de código paralelas, deduplicando achados e consolidando relatórios.
wshobson/agents
parallel-debugging
Permite ao agente depurar problemas complexos com investigações paralelas e análise de causa raiz.
wshobson/agents
Skills parecidas
pytorch-patterns
Ajuda seu agente a usar o PyTorch para criar modelos de aprendizado de máquina. Ele aplica as melhores práticas para treinar modelos de forma eficiente e garantir que os resultados sejam consistentes.
affaan-m/ECC
evm-token-decimals
Ajuda seu agente a evitar erros com números decimais em diferentes redes blockchain. Garante que os valores de tokens sejam precisos em transações e cálculos.
affaan-m/ECC
knowledge-agent
Cria e consulta bases de conhecimento com inteligência artificial. Permite fazer perguntas sobre trabalhos passados ou compilar conhecimento sobre um tema.
thedotmack/claude-mem