下载

Skill UI

浏览并发现 10323+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索分片，共找到 16 条记录

默认排序最新上传最多下载

生产级Discord机器人开发架构

discord-bot-architect

sickn33/antigravity-awesome-skills

本指南提供构建稳定、可扩展的Discord机器人的专业架构知识。涵盖了现代最佳实践，包括斜杠命令、网关意图管理、速率限制处理和分片部署。提供了基于Discord.js (JavaScript) 和 Pycord (Python) 的完整基础代码和开发模式，确保机器人具备生产级的稳定性。

数据库分片管理

managing-database-sharding

jeremylongshore/claude-code-plugins-plus-skills

指导设计和落地水平数据库分片方案，包括分片键选择、数据迁移规划与跨分片查询协调，保障高并发下的扩展性与一致性。

NoSQL数据库设计与架构

sickn33/antigravity-awesome-skills

本技能提供关于分布式NoSQL数据库（如Cassandra和DynamoDB）的专家级设计模式。重点教授“查询优先”的建模思维，指导用户如何进行数据去规范化、分片设计和单表设计，确保在超大规模场景下实现最佳的读写性能，并规避热分区等常见陷阱。

PyTorch FSDP2 训练流程

Orchestra-Research/AI-Research-SKILLs

指导在训练脚本中正确引入 PyTorch FSDP2 fully_shard，使底层模块逐层分片、配置混合精度与 CPU 卸载、构建依赖 DTensor 的优化器，并依靠分布式检查点处理超过单卡显存或需要 DeviceMesh 分片的模型。

高性能向量相似性搜索引擎

qdrant-vector-search

Orchestra-Research/AI-Research-SKILLs

Qdrant是一个高性能的Rust驱动向量数据库，专为生产级的RAG（检索增强生成）和语义搜索应用设计。它提供快速的最近邻搜索功能，支持结合元数据的混合搜索，并具备通过分片和复制实现的水平扩展能力。适用于构建实时推荐系统和企业级知识检索系统。

Zarr 云端数组存储

K-Dense-AI/claude-scientific-skills

Zarr 是一款 Python 工具，支持分块压缩、分片以及 NumPy/Dask/Xarray 兼容，适用于并行 I/O 和可扩展的云端科学计算流程。

Go 内存缓存实践

golang-samber-hot

samber/cc-skills-golang

面向 Go 工程师的 samber/hot 内存缓存指南，涵盖 TTL、加载器、分片、监控与淘汰策略选择，强调容量预算和常见坑位，便于降低延迟和后端压力。

计划与任务拆解

planning-and-task-breakdown

addyosmani/agent-skills

将规范或模糊任务拆解成有依赖关系的、有顺序的工作项，强调垂直分片、验收标准、检查点及验证步骤，方便代理人或团队稳妥实现功能且可并行推进。

Qdrant分布式扩展与容量规划

qdrant-horizontal-scaling

github/awesome-copilot

本指南详细介绍了Qdrant向量数据库的扩展架构和容量规划的最佳实践。它指导用户何时进行垂直扩展或水平扩展，如何选择最佳的节点数和分片数量，并指导如何设置复制因子以确保系统的高可用性和零停机时间。同时也涵盖了分片管理和常见误区规避。

Qdrant索引与数据摄取优化指南

qdrant-indexing-performance-optimization

github/awesome-copilot

本指南旨在帮助用户诊断和解决Qdrant数据库的性能瓶颈。它详细介绍了如何优化缓慢的数据上传、处理优化器运行卡顿的问题，并提供了HNSW参数调优、数据分片以及多租户索引的最佳实践，确保向量搜索的高效性能。

数据量级扩展与容量规划

qdrant-scaling-data-volume

github/awesome-copilot

本指南提供了处理数据集超出单个节点承载容量的综合策略。内容涵盖了多租户隔离、时间窗口管理等多种架构模式。它详细介绍了完整的扩容路径，从提升单节点性能（垂直扩展）到通过分片将数据分散到多个节点（水平扩展），确保系统能够可靠地处理海量增长数据。

查询结果量扩展优化

qdrant-scaling-query-volume

github/awesome-copilot

当查询需要从多个分片（shards）获取大量结果时，该机制用于优化数据传输效率。它不会让每个分片都返回完整的查询限制，而是基于泊松分布统计计算出较小的、优化的限制值，然后进行数据合并。这极大地减少了分片间的数据传输量，从而提高大规模向量搜索的性能和稳定性，同时确保了结果的高精度。

语言