Database Expert
面向数据库设计、优化与管理的综合指南技能。
数据库选型
技能给出四类数据库的定位对照：PostgreSQL 为关系型，适合复杂查询、ACID、JSON 支持；MongoDB 为文档型，适合灵活模式与快速迭代；Redis 为键值型，适合缓存、会话与实时场景；SQLite 为嵌入式，适合移动端、桌面与测试。
PostgreSQL
模式设计
示例包含带约束的 users 表（UUID 主键、唯一 email、非空字段、status 的 CHECK 约束、带时区的 created_at 与 updated_at）、针对 email 与 status 的索引（含 status 部分索引）、自动更新 updated_at 的函数与触发器，以及带外键级联删除、TEXT[] 标签、TSVECTOR 检索向量的 posts 表及其 GIN 全文检索索引。
查询优化
示例包含使用 EXPLAIN (ANALYZE, BUFFERS, FORMAT TEXT) 分析查询；为已发布内容建立部分索引（published_at IS NOT NULL）；使用 INCLUDE 建立覆盖索引以支持 index-only scan；以及对 LOWER(email) 建立表达式索引。
高级特性
示例包含 CTE（统计近 30 天活跃作者及其文章数）、窗口函数（ROW_NUMBER 分区排名、LAG 取上一篇发布时间）、JSON 操作（用 ->> 与 @> 提取和过滤 metadata），以及用于层级结构、限制深度为 10 的递归 CTE。
MongoDB
模式设计模式
示例说明 1:few 关系使用嵌入（user 文档内嵌 profile 与 addresses 数组），1:many 关系使用引用（post 文档持有 authorId）。
聚合管道
示例对 orders 集合执行 $match（状态为 completed 且创建时间不早于 2024-01-01）、$lookup 关联 users、$unwind、按月份 $group 统计营收与订单数、$sort 排序。
索引
示例包含复合索引（authorId + createdAt 降序）、带权重（title 10、content 1）的文本索引、针对 pending 状态的部分索引，以及 expireAfterSeconds 为 3600 的 TTL 索引（用于 sessions）。
Redis
数据结构
示例涵盖字符串（SET/GET/SETEX/INCR）、哈希（HSET/HGETALL）、列表作为队列（LPUSH/RPOP）、集合（SADD/SISMEMBER）、有序集合作为排行榜（ZADD/ZREVRANGE WITHSCORES），以及 Streams 事件日志（XADD/XREAD）。
缓存模式
以 TypeScript 示例给出：缓存旁路（先查缓存，未命中查库后写入 setex，TTL 3600 秒）；基于 INCR 与 EXPIRE 的限流；基于 SET NX EX 的分布式锁及使用 Lua 脚本原子释放锁（并建议生产环境使用预加载脚本配合 EVALSHA）。
发布订阅
示例包含发布端 publish 事件，以及订阅端 duplicate 连接、subscribe 频道并在 message 回调中解析处理事件。
查询优化检查清单
PostgreSQL：对慢查询使用 EXPLAIN ANALYZE；为 WHERE、JOIN、ORDER BY 列建索引；对过滤查询使用部分索引；使用连接池（pgbouncer）；定期执行 VACUUM 与 ANALYZE。
MongoDB：按查询模式建立复合索引；尽量使用覆盖查询；避免文档中出现过大数组字段；使用 explain() 进行监控。
Redis：选用合适的数据结构；为缓存键设置 TTL；批量操作使用 pipelining；监控内存使用。
面向 AI/RAG 工作负载的向量数据库
概述
向量数据库存储高维嵌入并支持相似度搜索，是 RAG（检索增强生成）与语义搜索应用的基础。技能给出对照：pgvector 为 PostgreSQL 扩展，适合已有 Postgres 技术栈与混合查询；Pinecone 为托管云服务，适合生产规模与无服务器场景；Weaviate 支持自托管或云，适合多模态与 GraphQL 接口；Chroma 为嵌入式或本地，适合原型与小数据集；Qdrant 支持自托管或云，适合高性能与丰富过滤；Milvus 支持自托管或云，适合大规模与分布式。
pgvector（PostgreSQL 扩展）
示例包含创建 vector 扩展；documents 表（含 VECTOR(1536) 的 embedding 列，注释说明对应 OpenAI text-embedding-3-small 维度）；HNSW 索引（vector_cosine_ops，m=16，ef_construction=64）或 IVFFlat 索引（lists=100，需训练）；使用余弦距离的相似度查询并可结合 metadata 过滤；以及结合全文检索 ts_rank 与向量得分的混合搜索（加权 0.3 与 0.7）。
Pinecone（托管）
Python 示例包含创建索引（dimension=1536，metric=cosine，ServerlessSpec 指定云与区域）、获取索引句柄、带 metadata 的 upsert，以及带 metadata 过滤（category 等于 faq）的 top_k 查询。
Chroma（本地/嵌入）
Python 示例包含使用 PersistentClient 指定本地路径、创建或获取带 hnsw:space 为 cosine 的集合、直接添加文本（自动嵌入）或添加预计算嵌入、以及带 n_results 与 where 过滤的查询。
嵌入存储与索引最佳实践
技能以对照表给出建议：嵌入模型可选 text-embedding-3-small（1536 维）或 nomic-embed（768 维）；索引类型小于 100 万向量用 HNSW，超过用 IVFFlat；维度越低搜索越快但精度略降；批量插入每次 100-1000 个向量；metadata 存放可过滤属性；混合搜索结合关键词（BM25）与向量效果最佳；在 top-k 结果上使用交叉编码器重排；分块建议每块 500-1000 token，重叠 100-200。
限制
本技能以代码示例与检查清单为主，资料未提供具体的安装命令、部署方式、版本要求、性能基准以及任何收费或价格信息，相关内容暂未提供。