用途
vectordb 是一个向量数据库操作技能，为 Golden Armada AI Agent Fleet Platform 提供向量数据库能力。当需要实现语义搜索、RAG（检索增强生成）、嵌入存储与检索、相似度搜索、向量索引管理时，可激活该技能。
主要能力
- 嵌入生成：支持 OpenAI 嵌入模型（如 text-embedding-3-small），可单条或批量生成嵌入向量。
- Pinecone 操作：初始化客户端、创建索引（指定维度、度量、ServerlessSpec 云与区域）、获取索引、upsert 向量（含元数据与命名空间）、查询（top_k、include_metadata、filter 过滤）、删除。
- Chroma 操作：使用 PersistentClient 初始化、创建或获取集合（可设置 hnsw:space 为 cosine）、添加文档（ids、embeddings、documents、metadatas）、查询（n_results、where 过滤、include 指定返回内容）、更新元数据、删除。
- pgvector（PostgreSQL）操作：启用 vector 扩展、创建含 vector(1536) 与 JSONB 元数据的表、创建 IVFFlat 或 HNSW 索引、插入数据、相似度搜索（使用 <=> 运算符与 1 - 距离 计算相似度）、带元数据过滤的查询。
- Python 与 pgvector 集成：使用 pgvector.sqlalchemy 的 Vector 类型、SQLAlchemy 定义模型、插入与查询（cosine_distance 排序）。
- RAG 实现：提供 RAGService 类示例，包含查询流程（生成查询嵌入、检索相关文档、构建上下文、生成回答）与添加文档流程（分块、批量生成嵌入、存储），以及文本分块方法（chunk_size 默认 1000，overlap 默认 200）。
使用方式
该技能以代码示例形式提供各向量数据库的操作方法。使用时需根据所选数据库配置相应的 API 密钥或连接信息，例如 Pinecone 需要 PINECONE_API_KEY 环境变量。嵌入生成依赖 OpenAI 或 Anthropic 等客户端。RAG 实现中需注入 vector_store 与 llm_client。
适用场景
- 语义搜索实现
- RAG（检索增强生成）
- 嵌入存储与检索
- 相似度搜索
- 向量索引管理
限制
资料未提供该技能的具体安装命令、收费模式、价格、平台支持范围、性能指标或效果保证。部分代码示例存在格式问题（如 init 显示为 init、tablename 显示为 tablename），实际使用时需注意。Weaviate 在描述中被提及，但资料中未提供其具体代码示例。