# Vector Index Tuning

> Optimiza el rendimiento de índices vectoriales en latencia, recall y memoria; útil al ajustar parámetros HNSW, elegir cuantización o escalar infraestructura de búsqueda vectorial.

Fuente: https://skillsagentes.com/skills/wshobson/agents/vector-index-tuning
Markdown: https://skillsagentes.com/skills/wshobson/agents/vector-index-tuning.md

Repositorio: https://github.com/wshobson/agents
Autor: wshobson
Licencia: MIT
Actualizado: hace 4 meses
Coste de contexto: 44 tok instalada, 581 tok al activarse, 3.9k tok con todos los archivos del bundle
Bundle: 2 archivos, 15 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add wshobson/agents --skill vector-index-tuning --agent claude-code
# Cursor
npx -y skills add wshobson/agents --skill vector-index-tuning --agent cursor
# Codex
npx -y skills add wshobson/agents --skill vector-index-tuning --agent codex
# Gemini CLI
npx -y skills add wshobson/agents --skill vector-index-tuning --agent gemini
# Windsurf
npx -y skills add wshobson/agents --skill vector-index-tuning --agent windsurf
# Cline
npx -y skills add wshobson/agents --skill vector-index-tuning --agent cline
```

## Qué hace

- Guía para elegir tipo de índice vectorial según tamaño de datos
- Explica parámetros HNSW (M, efConstruction, efSearch) y su efecto
- Detalla estrategias de cuantización (FP32, FP16, INT8, PQ, binaria)
- Referencia plantillas y ejemplos detallados en references/details.md

## Cuándo usarla

- Ajustar parámetros HNSW
- Implementar cuantización
- Optimizar uso de memoria
- Reducir latencia de búsqueda o balancear recall vs velocidad

## Qué la activa

- "Ayúdame a tunear los parámetros HNSW de mi índice"
- "¿Qué tipo de cuantización uso para 50M vectores?"
- "Cómo reducir la latencia de búsqueda vectorial"
- "Necesito escalar mi búsqueda vectorial a miles de millones de vectores"

## Archivos

- SKILL.md — 2 KB
- references/details.md — 13 KB

## SKILL.md

Reproducido tal cual desde wshobson/agents bajo MIT. Esta sección es el documento original y está en inglés.

# Vector Index Tuning

Guide to optimizing vector indexes for production performance.

## When to Use This Skill

- Tuning HNSW parameters
- Implementing quantization
- Optimizing memory usage
- Reducing search latency
- Balancing recall vs speed
- Scaling to billions of vectors

## Core Concepts

### 1. Index Type Selection

```
Data Size           Recommended Index
────────────────────────────────────────
< 10K vectors  →    Flat (exact search)
10K - 1M       →    HNSW
1M - 100M      →    HNSW + Quantization
> 100M         →    IVF + PQ or DiskANN
```

### 2. HNSW Parameters

| Parameter          | Default | Effect                                               |
| ------------------ | ------- | ---------------------------------------------------- |
| **M**              | 16      | Connections per node, ↑ = better recall, more memory |
| **efConstruction** | 100     | Build quality, ↑ = better index, slower build        |
| **efSearch**       | 50      | Search quality, ↑ = better recall, slower search     |

### 3. Quantization Types

```
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
```

## Templates and detailed worked examples

Full template library and detailed worked examples live in `references/details.md`. Read that file when you need the concrete templates.

## Best Practices

### Do's

- **Benchmark with real queries** - Synthetic may not represent production
- **Monitor recall continuously** - Can degrade with data drift
- **Start with defaults** - Tune only when needed
- **Use quantization** - Significant memory savings
- **Consider tiered storage** - Hot/cold data separation

### Don'ts

- **Don't over-optimize early** - Profile first
- **Don't ignore build time** - Index updates have cost
- **Don't forget reindexing** - Plan for maintenance
- **Don't skip warming** - Cold indexes are slow

## Dónde encaja

- Categoría: [Bases de datos](https://skillsagentes.com/categorias/bases-de-datos.md) — Diseño de esquemas, migraciones y optimización de consultas.
- Creador: [wshobson](https://skillsagentes.com/creators/wshobson.md) — 183 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Skills relacionadas

- [Projection Patterns](https://skillsagentes.com/skills/wshobson/agents/projection-patterns.md): Construye modelos de lectura y proyecciones a partir de flujos de eventos; útil para CQRS, vistas materializadas y optimización de consultas en sistemas event-sourced.
- [Event Store Design](https://skillsagentes.com/skills/wshobson/agents/event-store-design.md): Diseña e implementa event stores para sistemas de event sourcing: infraestructura, elección de tecnología y patrones de persistencia de eventos.
- [Database Migration](https://skillsagentes.com/skills/wshobson/agents/database-migration.md): Ejecuta migraciones de bases de datos entre ORMs y plataformas con estrategias zero-downtime, transformación de datos y procedimientos de rollback.
- [Eval Harness First](https://skillsagentes.com/skills/wshobson/agents/eval-harness-first.md): Construye el eval harness que condiciona cada fine-tuning: golden sets, graders por modo de fallo, calibración de juez y baselines del modelo base.
- [Review Agent Setup](https://skillsagentes.com/skills/wshobson/agents/review-agent-setup.md): Configura un gating humano para las acciones de revisión de agentes IA en Claude Code, con un rastro de aprobación auditable criptográficamente y gates aplicados con Cedar.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)