BB opensearch-vector-search
Экспертная база знаний по векторному поиску Amazon OpenSearch. Комплексное руководство по настройке векторного поиска, оптимизации кластера, квантованию, оптимизации затрат, определению размера экземпляров и оценке цен. **Используйте этот навык, когда:** (1) Пользователь спрашивает о настройке векторного поиска OpenSearch (k-NN), настройке параметров HNSW, режиме диска (2) Пользователю требуется определение размера кластера векторного поиска, планирование мощностей, рекомендации по экземплярам (3) Пользователь спрашивает о методах квантования (Binary/Byte/FP16/Product Quantization) (4) Пользователю необходимо оценить затраты на векторный поиск OpenSearch или запросить цены (5) Пользователь спрашивает о стратегиях индексирования OpenSearch, планировании шардов, оптимизации запросов (6) Пользователь упоминает «векторная база данных», «векторный поиск», «k-NN», «knn_vector», «поиск встраиваний», «HNSW» (7) Пользователь упоминает масштаб данных (например, «100 млн векторов», «1 млрд векторов») и нуждается в рекомендациях по конфигурации кластера (8) Пользователь спрашивает о конфигурации JVM, памяти или пула потоков кластера OpenSearch (9) Связано с ценами Amazon OpenSearch Service, расчетом затрат или сравнением экземпляров (10) Пользователь предоставляет URL/учетные данные кластера OpenSearch и хочет анализа конфигурации вектора или проверки работоспособности (11) Для выполнения воспроизводимых тестов производительности VectorDBBench направляйте к встроенному навыку opensearch-vector-benchmark.
машинный переводПоказать оригиналСкрыть оригинал«Amazon OpenSearch vector search expert knowledge base. Comprehensive g…»
Amazon OpenSearch vector search expert knowledge base. Comprehensive guidance on vector search configuration, cluster tuning, quantization, cost optimization, instance sizing, and pricing estimation. **Use this Skill when**: (1) User asks about OpenSearch vector search (k-NN) configuration, HNSW parameter tuning, disk mode (2) User needs vector search cluster sizing, capacity planning, instance recommendations (3) User asks about quantization techniques (Binary/Byte/FP16/Product Quantization) (4) User needs to estimate OpenSearch vector search costs or query pricing (5) User asks about OpenSearch indexing strategies, shard planning, query optimization (6) User mentions "vector database", "vector search", "k-NN", "knn_vector", "embedding search", "HNSW" (7) User mentions data scale (e.g. "100M vectors", "1 billion vectors") and needs cluster configuration advice (8) User asks about OpenSearch cluster JVM, memory, or thread pool configuration (9) Involves Amazon OpenSearch Service pricing, cost calculation, or instance comparison (10) User provides an OpenSearch cluster URL/credentials and wants vector configuration analysis or health check (11) For executing reproducible VectorDBBench performance tests, route to the bundled opensearch-vector-benchmark skill
Экспертная база знаний по векторному поиску Amazon OpenSearch.
Как процесс B 70/100 · Почти готов — слабые места: повторный запуск, отчётность по ходу
Как улучшить
- Сократите description до 1024 символов.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 15. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1278 символов, лимит 1024 - заметка
frontmatter-keyнеизвестное поле фронтматтера "repository" - заметка
frontmatter-keyнеизвестное поле фронтматтера "requirements"
Процессный рейтинг: все десять параметров 70/100
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 65Ошибки и развилки. Развилок: 3
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 85Шаги. Шагов: 55, расплывчатых формулировок: 1
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2907 токенов
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1277: рекомендуется 120–800 символов
- +2Инструкции на одном языке
- +5В description 6 примера фраз-триггеров в кавычках
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 55 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (11 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (9 из 9)
- +3Все 2 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 70.