Qdrant Vector Search
Skill Verifiziert AktivHigh-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
To provide a robust and performant vector similarity search engine for building production-ready RAG systems and semantic search applications.
Funktionen
- High-performance vector search
- Support for RAG and semantic search
- Hybrid search (vectors + metadata filtering)
- Scalable vector storage
- Rust-powered performance
Anwendungsfälle
- Building production RAG systems
- Implementing fast nearest neighbor search
- Developing scalable vector storage solutions
- Enabling real-time recommendation systems
Nicht-Ziele
- Simpler embedded use cases (recommend Chroma)
- Maximum raw speed for batch processing (recommend FAISS)
- Fully managed, zero-ops solutions (recommend Pinecone)
- Preference for GraphQL interfaces (recommend Weaviate)
Trust
- info:Issues AttentionWith 17 open and 4 closed issues in the last 90 days, the closure rate is below the optimal threshold, suggesting slower response times.
Installation
npx skills add davila7/claude-code-templatesFührt das Vercel skills CLI (skills.sh) via npx aus — benötigt Node.js lokal und mindestens einen installierten skills-kompatiblen Agent (Claude Code, Cursor, Codex, …). Setzt voraus, dass das Repo dem agentskills.io-Format folgt.
Qualitätspunktzahl
VerifiziertVertrauenssignale
Ähnliche Erweiterungen
Embedding Strategies
100Select and optimize embedding models for semantic search and RAG applications. Use when choosing embedding models, implementing chunking strategies, or optimizing embedding quality for specific domains.
Qdrant Vector Search
95High-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
AgentDB Vector Search
99Implement semantic vector search with AgentDB for intelligent document retrieval, similarity matching, and context-aware querying. Use when building RAG systems, semantic search engines, or intelligent knowledge bases.
Mongodb Search And Ai
100Leitet MongoDB-Benutzer bei der Implementierung und Optimierung von Atlas Search (Volltext), Vector Search (semantisch) und Hybrid Search-Lösungen an. Verwenden Sie diesen Skill, wenn Benutzer Suchfunktionen für textbasierte Abfragen (Autovervollständigung, Fuzzy-Suche, facettenreiche Suche), semantische Ähnlichkeit (Embeddings, RAG-Anwendungen) oder kombinierte Ansätze erstellen müssen. Verwenden Sie ihn auch, wenn Benutzer Textinhalte, Teilzeichenfolgenübereinstimmungen („enthält“, „beinhaltet“, „erscheint in“), groß-/kleinschreibungsunempfindliche oder mehrfeldige Textsuche oder Filterung über viele Felder mit variablen Kombinationen hinweg benötigen. Bietet Workflows für die Auswahl des richtigen Suchtyps, die Erstellung von Indizes, die Konstruktion von Abfragen und die Optimierung der Leistung mit dem MongoDB MCP-Server.
Rag Architect
100Use when the user asks to design RAG pipelines, optimize retrieval strategies, choose embedding models, implement vector search, or build knowledge retrieval systems.
V3 Memory Unification
99Unify 6+ memory systems into AgentDB with HNSW indexing for 150x-12,500x search improvements. Implements ADR-006 (Unified Memory Service) and ADR-009 (Hybrid Memory Backend).