zilltech/milvus-skill
Skill de agente que ensina LLMs a operar o banco de dados vetorial Milvus usando pymilvus — conexão, coleções, CRUD de vetores, busca, busca híbrida, busca em texto completo, indexação, RBAC e padrões comuns como RAG.
Skill de agente que ensina LLMs a operar o banco de dados vetorial Milvus usando pymilvus — conexão, coleções, CRUD de vetores, busca, busca híbrida, busca em texto completo, indexação, RBAC e padrões comuns como RAG.
Este skill capacita agentes de IA (como Claude Code, Cursor, Codex e outros) a interagir programaticamente com o Milvus, um banco de dados vetorial de código aberto de alto desempenho. Ele abstrai a complexidade das operações do Milvus, oferecendo uma camada de conhecimento que permite ao agente realizar tarefas como criar e gerenciar coleções, inserir, atualizar e deletar vetores, executar buscas de similaridade (incluindo busca híbrida e busca em texto completo), configurar estratégias de indexação (IVF_FLAT, HNSW, etc.), gerenciar controle de acesso baseado em funções (RBAC) e implementar padrões de aplicação como Retrieval-Augmented Generation (RAG). O skill é implementado utilizando a biblioteca pymilvus e fornece ao agente um conjunto de instruções e exemplos práticos (via arquivo SKILL.md) que guiam o uso correto da API, incluindo boas práticas de conexão, gerenciamento de recursos e tratamento de erros. É ideal para desenvolvedores que desejam construir pipelines de busca semântica, sistemas de recomendação ou aplicações de IA generativa que necessitem de armazenamento e consulta eficientes de embeddings vetoriais.
npx skills add zilliztech/milvus-skillInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Skill de agente que ensina LLMs a operar o banco de dados vetorial Milvus usando pymilvus — conexão, coleções, CRUD de vetores, busca, busca híbrida, busca em texto completo, indexação, RBAC e padrões comuns como RAG.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.