@h-ai/cli 0.1.0-alpha5

package/templates/skills/hai-vecdb/SKILL.md

@@ -0,0 +1,273 @@
+---
+name: hai-vecdb
+description: 使用 @h-ai/vecdb 进行向量数据库操作（LanceDB/pgvector/Qdrant）的集合管理与向量增删改查；当需求涉及向量存储、相似度搜索、嵌入检索或语义搜索时使用。
+---
+
+# hai-vecdb
+
+> `@h-ai/vecdb` 提供统一的向量数据库操作接口，支持 LanceDB、pgvector、Qdrant，包含集合管理和向量 CRUD/搜索。
+
+---
+
+## 适用场景
+
+- 新增或修改向量数据库访问逻辑（集合管理/向量插入/搜索）
+- 接入不同向量数据库后端（LanceDB / pgvector / Qdrant）
+- 基于 `HaiVecdbError` 做错误分支处理
+- 构建 RAG、语义搜索、知识库等 AI 场景
+
+---
+
+## 使用步骤
+
+### 1. 配置
+
+```yaml
+# config/_vecdb.yml
+
+# LanceDB（默认，嵌入式本地存储）
+type: lancedb
+path: ./data/vecdb
+
+# pgvector
+# type: pgvector
+# url: ${HAI_VECDB_PG_URL:postgres://user:pass@localhost:5432/mydb}
+# indexType: hnsw
+# tablePrefix: vec_
+
+# Qdrant
+# type: qdrant
+# url: ${HAI_VECDB_QDRANT_URL:http://localhost:6333}
+# apiKey: ${HAI_VECDB_QDRANT_API_KEY:}
+```
+
+### 2. 初始化与关闭
+
+```typescript
+import { core } from '@h-ai/core'
+import { vecdb } from '@h-ai/vecdb'
+
+await vecdb.init(core.config.get('vecdb'))
+// ... 使用向量数据库
+await vecdb.close()
+```
+
+### 3. 选择操作接口
+
+| 接口       | 用途                       | 入口              |
+| ---------- | -------------------------- | ----------------- |
+| collection | 集合创建/删除/查询/判断存在 | `vecdb.collection` |
+| vector     | 向量插入/更新/删除/搜索/计数 | `vecdb.vector`     |
+
+---
+
+## 核心 API
+
+### 集合操作 — `vecdb.collection`
+
+| 方法     | 签名                                       | 说明           |
+| -------- | ------------------------------------------ | -------------- |
+| `create` | `(name, options) => HaiResult<void>`          | 创建集合       |
+| `drop`   | `(name) => HaiResult<void>`                   | 删除集合       |
+| `exists` | `(name) => HaiResult<boolean>`                | 判断集合是否存在 |
+| `info`   | `(name) => HaiResult<CollectionInfo>`         | 获取集合信息   |
+| `list`   | `() => HaiResult<string[]>`                   | 列出所有集合   |
+
+> 所有方法均返回 `Promise<HaiResult<T>>`，上表省略异步与错误类型。
+
+```typescript
+// 创建集合（指定维度和度量）
+await vecdb.collection.create('docs', { dimension: 1536, metric: 'cosine' })
+
+// 查询集合信息
+const info = await vecdb.collection.info('docs')
+if (info.success) {
+  // info.data => { name, dimension, metric, count }
+}
+
+// 列出所有集合
+const list = await vecdb.collection.list()
+```
+
+**CollectionCreateOptions**：
+
+```typescript
+interface CollectionCreateOptions {
+  dimension: number            // 向量维度（必填）
+  metric?: 'cosine' | 'euclidean' | 'dot'  // 距离度量（默认 cosine）
+}
+```
+
+### 向量操作 — `vecdb.vector`
+
+| 方法     | 签名                                                | 说明           |
+| -------- | --------------------------------------------------- | -------------- |
+| `insert` | `(collection, documents) => HaiResult<void>`           | 批量插入       |
+| `upsert` | `(collection, documents) => HaiResult<void>`           | 批量更新/插入  |
+| `delete` | `(collection, ids) => HaiResult<void>`                 | 按 ID 删除     |
+| `search` | `(collection, vector, options?) => HaiResult<SearchResult[]>` | 向量搜索 |
+| `count`  | `(collection) => HaiResult<number>`                    | 文档计数       |
+
+> 所有方法均返回 `Promise<HaiResult<T>>`，上表省略异步与错误类型。
+
+```typescript
+// 插入向量文档
+await vecdb.vector.insert('docs', [
+  { id: 'doc-1', vector: embedding, content: '文档内容', metadata: { source: 'wiki' } },
+  { id: 'doc-2', vector: embedding2, content: '另一段内容' },
+])
+
+// 向量搜索（返回相似度排序结果）
+const result = await vecdb.vector.search('docs', queryVector, {
+  topK: 10,
+  minScore: 0.7,
+  filter: { source: 'wiki' },
+})
+if (result.success) {
+  for (const item of result.data) {
+    // item => { id, score, content, metadata }
+  }
+}
+
+// 更新已有文档（按 id 匹配）
+await vecdb.vector.upsert('docs', [
+  { id: 'doc-1', vector: newEmbedding, content: '更新后的内容' },
+])
+
+// 删除
+await vecdb.vector.delete('docs', ['doc-1', 'doc-2'])
+```
+
+**VectorDocument**：
+
+```typescript
+interface VectorDocument {
+  id: string                            // 文档唯一标识
+  vector: number[]                      // 向量数据
+  content?: string                      // 文本内容（可选）
+  metadata?: Record<string, unknown>    // 元数据（可选）
+}
+```
+
+**VectorSearchOptions**：
+
+```typescript
+interface VectorSearchOptions {
+  topK?: number                         // 返回数量（默认 10）
+  filter?: Record<string, unknown>      // 元数据过滤（键值精确匹配）
+  minScore?: number                     // 最低相似度阈值（0-1）
+}
+```
+
+---
+
+## 错误码 — `HaiVecdbError`
+
+| 错误码                                    | code              | 说明               |
+| ----------------------------------------- | ----------------- | ------------------ |
+| `HaiVecdbError.CONNECTION_FAILED`         | `hai:vecdb:001`   | 连接失败           |
+| `HaiVecdbError.QUERY_FAILED`             | `hai:vecdb:002`   | 查询失败           |
+| `HaiVecdbError.COLLECTION_NOT_FOUND`     | `hai:vecdb:003`   | 集合不存在         |
+| `HaiVecdbError.COLLECTION_ALREADY_EXISTS`| `hai:vecdb:004`   | 集合已存在         |
+| `HaiVecdbError.DIMENSION_MISMATCH`       | `hai:vecdb:005`   | 向量维度不匹配     |
+| `HaiVecdbError.INSERT_FAILED`            | `hai:vecdb:006`   | 插入失败           |
+| `HaiVecdbError.DELETE_FAILED`            | `hai:vecdb:007`   | 删除失败           |
+| `HaiVecdbError.UPDATE_FAILED`            | `hai:vecdb:008`   | 更新失败           |
+| `HaiVecdbError.INDEX_BUILD_FAILED`       | `hai:vecdb:009`   | 索引构建失败       |
+| `HaiVecdbError.NOT_INITIALIZED`          | `hai:vecdb:010`   | 未初始化           |
+| `HaiVecdbError.CONFIG_ERROR`             | `hai:vecdb:011`   | 配置错误           |
+| `HaiVecdbError.UNSUPPORTED_TYPE`         | `hai:vecdb:012`   | 不支持的数据库类型 |
+| `HaiVecdbError.DRIVER_NOT_FOUND`         | `hai:vecdb:013`   | 驱动未安装         |
+| `HaiVecdbError.SERIALIZATION_FAILED`     | `hai:vecdb:014`   | 序列化失败         |
+
+---
+
+## 常见模式
+
+### RAG 检索
+
+```typescript
+import { ai } from '@h-ai/ai'
+import { vecdb } from '@h-ai/vecdb'
+
+// 将查询文本转为向量
+const embedResult = await ai.embedding.embedText(query)
+if (!embedResult.success) return embedResult
+
+// 检索最相似的文档
+const searchResult = await vecdb.vector.search('knowledge', embedResult.data, {
+  topK: 5,
+  minScore: 0.7,
+})
+if (!searchResult.success) return searchResult
+
+// 拼接上下文，送入 LLM
+const context = searchResult.data.map(r => r.content).join('\n\n')
+const chatResult = await ai.llm.chat({
+  messages: [
+    { role: 'system', content: `参考以下资料回答用户问题：\n${context}` },
+    { role: 'user', content: query },
+  ],
+})
+```
+
+### 文档入库
+
+```typescript
+import { datapipe } from '@h-ai/datapipe'
+import { ai } from '@h-ai/ai'
+import { vecdb } from '@h-ai/vecdb'
+
+// 清洗 + 分块
+const pipeline = await datapipe.pipeline()
+  .clean({ removeHtml: true })
+  .chunk({ mode: 'markdown', maxSize: 1000, overlap: 100 })
+  .run(rawText)
+
+if (!pipeline.success) return pipeline
+
+// 批量生成嵌入
+const embeddings = await ai.embedding.embedBatch(
+  pipeline.data.chunks.map(c => c.content),
+)
+if (!embeddings.success) return embeddings
+
+// 批量入库
+const docs = pipeline.data.chunks.map((chunk, i) => ({
+  id: `doc-${i}`,
+  vector: embeddings.data[i],
+  content: chunk.content,
+  metadata: chunk.metadata,
+}))
+await vecdb.vector.insert('knowledge', docs)
+```
+
+### 错误分支处理
+
+```typescript
+import { vecdb, HaiVecdbError } from '@h-ai/vecdb'
+
+const result = await vecdb.collection.create('docs', { dimension: 1536 })
+if (!result.success) {
+  switch (result.error.code) {
+    case HaiVecdbError.COLLECTION_ALREADY_EXISTS.code:
+      // 集合已存在，可跳过
+      break
+    case HaiVecdbError.NOT_INITIALIZED.code:
+      // 未初始化，需先 vecdb.init()
+      break
+    default:
+      // 意外错误
+      break
+  }
+}
+```
+
+---
+
+## 相关 Skills
+
+- `hai-ai`：LLM 与 Embedding 能力
+- `hai-datapipe`：文本清洗与分块
+- `hai-reldb`：关系型数据库（知识库需要同时使用 reldb 存储结构化数据）
+- `hai-core`：配置管理、HaiResult 模型

package/templates/skills/opencode.json

@@ -0,0 +1,11 @@
+{
+  "$schema": "https://opencode.ai/config.json",
+  "skills": {
+    "paths": [
+      ".agents/skills"
+    ]
+  },
+  "instructions": [
+    "AGENTS.md"
+  ]
+}