Vector Databases

knowledge-ops 是一款用于管理多层知识库的 knowledge-ops 技能，覆盖本地文件、MCP memory、vector stores 和 Git repos。可用于导入、整理、同步、去重和检索笔记、对话、文档与项目事实，并保持清晰的存储边界。

vector-index-tuning 可帮助优化向量检索索引，在延迟、召回率与内存占用之间取得平衡。可用于选择索引类型、调整 HNSW 参数，并比较适用于 RAG 工作流的量化方案。

rag-implementation 是一项面向实践的技能，可用于规划包含 vector databases、embeddings、retrieval patterns 与 grounded-answer workflows 的 RAG 系统。你可以用它比较技术栈方案、明确架构决策，并指导 document Q&A、knowledge assistants 和 semantic search 场景下的安装与使用选择。

similarity-search-patterns 可帮助你为语义搜索和 RAG 工作流选择合适的距离度量、索引类型与混合检索模式。适合用于规划生产级向量搜索在召回率、延迟和规模之间的取舍。

hybrid-search-implementation 技能说明如何将向量检索与关键词检索结合，并使用 RRF、线性融合、重排和级联等模式，用于 RAG 和搜索系统。

azure-search-documents-ts 可帮助后端开发者借助 @azure/search-documents SDK 构建 Azure AI Search 解决方案。它适用于索引创建、文档上传，以及关键词、向量、混合和语义搜索，还包括凭据与环境配置。对于后端开发来说，这是一本实用的 azure-search-documents-ts 指南。

azure-search-documents-py 是面向后端开发的 Python 版 Azure AI Search 技能，覆盖安装、身份验证、索引设计、向量搜索、混合搜索、语义排序和 agentic retrieval。当前你需要从环境搭建一路做到可用查询模式时，可以使用 azure-search-documents-py 技能获取实操指引。

azure-search-documents-dotnet 是面向 Azure AI Search 的 .NET 技能，帮助后端开发者选对客户端、完成 SDK 安装，并掌握 azure-search-documents-dotnet 在全文检索、语义检索、向量检索和混合检索中的用法，同时提供索引、查询和身份验证的清晰指引。