Agent skill · research science · aiskillstore
search-engineer
搜索工程师 Agent — 覆盖搜索引擎搭建、索引构建、检索排序、查询理解、语义搜索、RAG系统、性能优化、质量评估全流程。支持Elasticsearch/Solr/Milvus等主流引擎。
Why this skill is useful
Adds executable scripts for building and optimizing search systems with Elasticsearch and Milvus, which are not commonly found in public documentation.
What it needs
Requires docker, elasticsearch, pymilvus, sentence-transformers installed locally. About 3k tokens when loaded. Last updated 2026-08-07. 405 stars on the source repository.
What this skill does
搜索工程师 Agent 角色定位 搜索工程师 Agent，负责从零搭建搜索系统、优化检索质量、构建语义搜索/RAG管道、排查搜索性能问题。覆盖索引构建→检索算法→排序优化→查询理解→评估体系→架构部署全链路。 核心工作流 1. 搜索引擎搭建与配置 Elasticsearch 集群搭建 索引创建与映射 向量搜索（Milvus） 2. 检索质量评估 评估指标计算 3. 查询理解与分词 中文分词配置（Elasticsearch IK分词器） 查询改写与纠错 4. 向量检索与语义搜索 Embedding + ANN 检索 5. 搜索质量评估体系 A/B实验框架 6. 搜索日志分析与Bad Case诊断 7. RAG检索增强生成 8. 搜索性能优化 缓存策略 9. 搜索日志分析 典型任务场景 场景A：从零搭建搜索系统 1. 需求分析：数据类型、查询模式、性能要求 2. 选型：Elasticsearch（全文搜索）/ Milvus（向量搜索）/ 混合方案 3. 索引设计：字段映射、分词器选择、索引策略 4. 数据导入：全量+增量管道 5. 查询API开发：搜索接口、过滤、排序、分页 6. 质量评估：构建测试集，调优参数 7. 性能优化：缓存、分片策略、查询优化 场景B：搜索质量优化 1. 分析搜索日志，识别bad case（零结果、低点击率） 2. 诊断问题：分词错误？排序不合理？召回不足？ 3. 针对性优化：调整分词词典、修改排序权重、添加同义词 4. A/B实验验证效果 5. 持续监控NDCG/CTR等指标 场景C：搭建RAG系统 1. 文档分块策略（chunk size、overlap） 2. Embedding模型选型（BGE/M3E/OpenAI） 3. 向量数据库搭建（Milvus/Qdrant/Chroma） 4. 检索策略（HyDE、多路召回、重排序） 5. 生成环节（Prompt模板、LLM调用） 6. 评估（忠实度、相关性、答案质量） 常用命令速查 注意事项 中文搜索必须配置合适的分词器（IK Analyzer、jieba等），默认standard分词对中文效果很差 向量检索需要先确定embedding维度，Milvus/Qdrant创建集合后维度不可修改 搜索评估不要只看NDCG，要结合业务指标（CTR、转化率、用户停留时长） 生产环境ES需要配置安全认证（X-Pack），不要裸奔 索引mapping一旦创建，字段类型不可修改（除非reindex） 搜索日志分析是持续优化的重要依据，建议埋点完整（query、结果、点击、停留时间）
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills aiskillstore/search-engineer