scientific-agent-skills 实战用 cuVS 在 GPU 上加速精确与近似最近邻搜索CAGRA / IVF / HNSW 全指南【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skillscuVS 是 NVIDIA RAPIDS 生态中专为 GPU 加速向量检索打造的库提供 CAGRA、IVF-Flat、IVF-PQ、暴力搜索brute-force以及用于 CPU 侧服务的 HNSW 实现。在 scientific-agent-skills 仓库的 optimize-for-gpu 技能体系中cuVS 是 Faiss、Annoy、ScaNN、sklearn NearestNeighbors 等 CPU 最近邻方案的首选 GPU 替代路径。读完本文你将掌握 cuVS 的安装验证、索引选型方法、五种索引的构建/搜索/保存/加载/扩展完整 API以及量化、聚类、多 GPU、互操作与 recall 验证等实战模式。cuVS 在 GPU 优化技能中的定位在 optimize-for-gpu/SKILL.md 的选择最小合适的层级决策表中cuVS 被明确标注为Faiss / Annoy / k-NN 类工作负载的 Preferred path对应场景是exact and approximate vector search。该技能的整体方法论强调GPU 加速应当是一种以证据驱动的优化evidence-driven optimization而不是无条件重写——先建立端到端基线、评估设备内存与传输边界再决定是否移植并且只有当同步后的端到端基准测试确实带来可用提升时才保留 GPU 版本。decision_framework.md 进一步把 cuVS 的使用范围收敛为四类高维向量上的近似最近邻ANN搜索面向 RAG、推荐系统或语义检索的相似度搜索用于聚类或可视化的 k-NN 图构建大规模嵌入数据集上任何 Faiss、Annoy、ScaNN 或 sklearn NearestNeighbors 工作负载同时需要注意 cuVS 与 RAFT 的职责边界参考 raft.md 明确提示向量搜索算法k-NN、IVFPQ、CAGRA 等已迁移到 cuVS请勿在 RAFT 中做向量搜索RAFT 只保留稀疏特征值求解、设备内存管理与多 GPU 原语等底层能力。此外cuVS 还是 Faiss GPU 后端、Milvus、Lucene、Kinetica 等向量数据库的底层搜索引擎理解 cuVS 有助于把握这些上层系统的检索原理。安装与验证cuVS 官方文档推荐的安装方式是通过uv add并指定 NVIDIA PyPI 额外索引。仓库的 installation.md 中也给出了完全一致的命令。对于已配置了项目包管理器的场景应沿用用户现有的包管理器。uv add --extra-index-urlhttps://pypi.nvidia.com cuvs-cu1226.6.* # For CUDA 12.x uv add --extra-index-urlhttps://pypi.nvidia.com cuvs-cu1326.6.* # For CUDA 13.xcuVS 的 wheel连同配套的libcuvswheel也直接发布到了 PyPI因此额外索引是可选的——但官方文档仍展示该写法保留它没有副作用。平台与依赖约束平台仅支持 Linux 和 WSL2无原生 macOS 或 Windows硬件需要支持 CUDA 12.x 或 13.x 的 NVIDIA GPUPython3.11数组推荐 CuPy 用于 GPU 数组安装命令见 installation.md 中的cupy-cuda12x配置安装后可用以下最小程序验证 cuVS 是否正常工作该验证片段同时出现在 cuvs.md 与 installation.md 中from cuvs.neighbors import cagra import cupy as cp dataset cp.random.rand(1000, 128, dtypecp.float32) index cagra.build(cagra.IndexParams(), dataset) print(cuVS working — built CAGRA index)何时使用 cuVS适用与不适用cuVS 是正确选择的场景高维向量嵌入上的最近邻搜索相似度搜索RAG、推荐系统、图像/文本/音频检索用于聚类或可视化管线的k-NN 图构建向量数据库后端cuVS 支撑着 Milvus、Lucene、Kinetica 以及 Faiss GPU 的检索用 GPU 加速替换 Faiss、Annoy、ScaNN 或 sklearn NearestNeighborscuVS 不是正确选择的场景通用机器学习应使用 cuML 而非 cuVS数据集较小或维度较低构建、传输或启动开销在代表性基准测试中占主导地位没有 GPU 的纯 CPU 环境从决策框架的角度这正是检查移植适用性环节的实践只有热路径包含大量可并行独立工作、运行频率足以摊薄初始化和传输成本、且工作集能放进设备内存时GPU 检索才值得引入。索引选型指南cuVS 提供五种索引形态选型核心是用相等的度量标准和精确度要求做对比分别验证 ANN recall并单独衡量 build、search、transfer 与序列化成本索引最佳场景构建速度搜索速度内存精度CAGRA强有力的首个 ANN 候选快快中可调IVF-Flat不做向量压缩的高召回 ANN中快高存完整向量可调IVF-PQ放不进 GPU 内存的大数据集中快低压缩良好Brute Force小数据集或作为基准真值不适用规模大时慢高精确HNSW用 GPU 构建索引、CPU 侧服务慢快CPU中高推荐策略先把 CAGRA 作为首个 ANN 候选进行基准测试当内存紧张时对比 IVF-PQ当需要避免向量压缩时对比 IVF-Flat精确搜索与 recall 真值生成使用暴力搜索build 与 search 参数则依据实测的延迟、吞吐、内存和 recall 目标来选取。CAGRA——图索引CAGRACUDA Accelerated Graph-based是为 GPU 优化的基于图的 ANN 索引对大多数工作负载而言是最快的选项。构建import cupy as cp from cuvs.neighbors import cagra n_samples 1_000_000 n_features 128 dataset cp.random.rand(n_samples, n_features, dtypecp.float32) # 默认参数在大多数情况下表现良好 index_params cagra.IndexParams( metricsqeuclidean, # sqeuclidean, inner_product, cosine intermediate_graph_degree128, # 越大质量越好、构建越慢 graph_degree64, # 最终图度数越小内存越少 build_algoivf_pq, # ivf_pq, nn_descent, iterative_cagra_search, ace ) index cagra.build(index_params, dataset)参数含义intermediate_graph_degree决定中间图的质量上限越高构建质量越好但耗时更长graph_degree是最终图度数越小越省内存build_algo支持ivf_pq默认、nn_descent、iterative_cagra_search与ace四种构建算法不同算法在不同数据规模与精度需求下各有取舍。搜索from cuvs.common import Resources queries cp.random.rand(1000, n_features, dtypecp.float32) search_params cagra.SearchParams( itopk_size64, # 中间 top-k越大越准、越慢 search_width1, # 每次迭代的起始节点数 max_iterations0, # 0 自动 algoauto, # auto, single_cta, multi_cta, multi_kernel ) resources Resources() distances, neighbors cagra.search( search_params, index, queries, k10, resourcesresources ) resources.sync() # distances: shape (1000, 10) —— 平方欧氏距离 # neighbors: shape (1000, 10) —— 指向原始数据集的索引注意两点实现细节其一CAGRA 的 search 接受一个Resources()句柄它负责管理 CUDA 流与内存与 RAFT 的DeviceResources理念一致参考 raft.md——昂贵资源应创建一次并复用其二GPU 上的搜索是异步的resources.sync()用于确保结果就绪。保存与加载cagra.save(my_index.cagra, index) loaded_index cagra.load(my_index.cagra)扩展数据new_data cp.random.rand(10_000, n_features, dtypecp.float32) extended_index cagra.extend(cagra.ExtendParams(), index, new_data)带压缩构建大数据集from cuvs.neighbors.cagra import CompressionParams index_params cagra.IndexParams( compressionCompressionParams( pq_bits8, pq_dim64, ) ) index cagra.build(index_params, dataset)通过CompressionParams在 CAGRA 内部叠加乘积量化压缩可在内存受限时扩展容量代价是精度的轻微下降。IVF-Flat——倒排文件索引存完整向量IVF-Flat 将数据集划分为多个簇倒排文件 inverted file并存储完整向量精度高于 IVF-PQ但内存占用更高。构建from cuvs.neighbors import ivf_flat build_params ivf_flat.IndexParams( n_lists1024, # 簇数量sqrt(n_samples) 是个好的起点 metricsqeuclidean, # sqeuclidean, euclidean, inner_product, cosine kmeans_trainset_fraction0.5, # 用于 k-means 训练的数据比例 kmeans_n_iters20, # k-means 迭代次数 add_data_on_buildTrue, # 构建时添加向量而不是之后 extend ) index ivf_flat.build(build_params, dataset)搜索search_params ivf_flat.SearchParams( n_probes50, # 需要探测的簇数越大越准、越慢 ) distances, neighbors ivf_flat.search( search_params, index, queries, k10 )保存 / 加载 / 扩展ivf_flat.save(my_index.ivf_flat, index) loaded_index ivf_flat.load(my_index.ivf_flat) # 用新数据扩展 import numpy as np new_vectors cp.random.rand(5000, n_features, dtypecp.float32) new_indices cp.arange(n_samples, n_samples 5000, dtypecp.int64) ivf_flat.extend(index, new_vectors, new_indices)注意 IVF-Flat 的extend需要在构建时设置add_data_on_buildFalse才有意义构建时未添加数据后续通过 extend 补齐。扩展时需要显式提供新向量的全局索引new_indices从n_samples起连续编号。IVF-PQ——压缩倒排文件索引IVF-PQ 使用乘积量化product quantization压缩向量显著降低内存占用最适合完整向量放不进 GPU 内存的大数据集。构建from cuvs.neighbors import ivf_pq build_params ivf_pq.IndexParams( n_lists1024, # 簇数量 metricsqeuclidean, # sqeuclidean, inner_product pq_bits8, # 每个子量化器的比特数4 或 8 pq_dim0, # PQ 维度0 自动通常为 dim/4 codebook_kindsubspace, # subspace 或 cluster kmeans_n_iters20, add_data_on_buildTrue, ) index ivf_pq.build(build_params, dataset)pq_bits可选 4 或 88 位精度更高、内存翻倍pq_dim0时自动选择经验上约为dim/4codebook_kind决定码本的组织方式——subspace按子空间独立量化cluster则与聚类结构结合。搜索search_params ivf_pq.SearchParams( n_probes50, # 需要探测的簇数 lut_dtypefloat32, # 查找表look-up table精度 internal_distance_dtypefloat32, ) distances, neighbors ivf_pq.search( search_params, index, queries, k10 )lut_dtype与internal_distance_dtype控制 PQ 距离计算中查找表和内部累加量的精度在精度与速度之间提供细粒度调节。保存 / 加载 / 扩展ivf_pq.save(my_index.ivf_pq, index) loaded_index ivf_pq.load(my_index.ivf_pq) # 扩展 new_vectors cp.random.rand(5000, n_features, dtypecp.float32) new_indices cp.arange(n_samples, n_samples 5000, dtypecp.int64) ivf_pq.extend(index, new_vectors, new_indices)Brute Force——精确搜索暴力搜索计算所有距离是精确的 k-NN。适用于小数据集 5 万向量或生成评估近似索引用的基准真值ground truth。在 code_transformation_patterns.md 中它被明确用作 FaissIndexFlatL2的等价 GPU 替换。from cuvs.neighbors import brute_force # 构建仅存储数据集 index brute_force.build(dataset, metricsqeuclidean) # 搜索 distances, neighbors brute_force.search(index, queries, k10) # 保存 / 加载 brute_force.save(bf_index.bin, index) loaded brute_force.load(bf_index.bin)从 Faiss 迁移的对应关系同文档 Exact Faiss search to exact cuVS search 一节为faiss.IndexFlatL2(128)index.add()index.search()对应 cuVS 的brute_force.build(embeddings_gpu, metricsqeuclidean)brute_force.search(index_gpu, queries_gpu, k10)。该文档同时强调基准测试前必须保持算法语义一致——精确基线用 brute force只有结果可接受近似时才用 CAGRA并且要针对精确真值报告 recallk。HNSW——从 GPU 索引做 CPU 搜索cuVS 提供面向 CPU 侧搜索的 HNSW 实现。典型工作流在 GPU 上构建 CAGRA 索引再转换为 HNSW 用于 CPU 服务——这使你在构建阶段利用 GPU 速度而在查询阶段GPU 不可用时用 CPU 服务。from cuvs.neighbors import cagra, hnsw import numpy as np # 在 GPU 上构建 CAGRA dataset_gpu cp.random.rand(100_000, 128, dtypecp.float32) cagra_index cagra.build(cagra.IndexParams(), dataset_gpu) # 转换为 HNSW 供 CPU 搜索 hnsw_index hnsw.from_cagra(hnsw.IndexParams(), cagra_index) # 用 numpy 查询在 CPU 上搜索 queries_cpu np.random.rand(100, 128).astype(np.float32) search_params hnsw.SearchParams( ef200, # 搜索深度越大越准、越慢 num_threads0, # 0 自动使用全部可用线程 ) distances, neighbors hnsw.search(search_params, hnsw_index, queries_cpu, k10) # 保存 / 加载 hnsw.save(my_index.hnsw, hnsw_index) loaded hnsw.load(hnsw.IndexParams(), my_index.hnsw, dim128, dtypenp.float32, metricsqeuclidean)HNSW 加载时必须显式指定dim、dtype与metric因为它不再持有原始数据集。可扩展的 HNSW构建后若要继续添加向量使用hierarchycpuhnsw_index hnsw.from_cagra(hnsw.IndexParams(hierarchycpu), cagra_index) new_data np.random.rand(5000, 128).astype(np.float32) hnsw.extend(hnsw.ExtendParams(), hnsw_index, new_data)距离度量度量字符串说明平方欧氏距离sqeuclidean默认。最快——省去开平方。欧氏距离euclideanL2 距离内积inner_product用于归一化嵌入通过点积实现余弦相似度余弦cosineCAGRA 和 IVF-Flat 支持对于 IVF-PQ 的余弦相似度需要先把向量归一化为单位长度再使用inner_product因为余弦距离需要额外的预处理支持而内积在归一化向量上等价于余弦相似度。过滤FilteringcuVS 支持使用 bitmap 或 bitset 做预过滤排除特定向量。from cuvs.neighbors import brute_force import cupy as cp # Bitset 过滤对所有查询排除指定索引 # 1 排除0 包含 n_samples 100_000 bitset cp.zeros(n_samples, dtypecp.uint8) bitset[0:1000] 1 # 排除前 1000 个向量 distances, neighbors brute_force.search( index, queries, k10, prefilterbitset )CAGRA 同样支持过滤通过cagra.search()中的filter参数传入。多 GPU对于单卡放不下的大数据集使用多 GPU APIfrom cuvs.neighbors.mg import cagra as mg_cagra # 跨所有可用 GPU 构建 build_params mg_cagra.IndexParams( intermediate_graph_degree64, graph_degree32, ) index mg_cagra.build(build_params, dataset) # 跨 GPU 搜索 search_params mg_cagra.SearchParams() distances, neighbors mg_cagra.search(search_params, index, queries, k10)多 GPU 同样适用于 IVF-Flat 和 IVF-PQ通过cuvs.neighbors.mg子模块访问。参考 SKILL.md 的提示对于超过单卡内存的数据集除了多 GPU还可以考虑分块处理或使用 RAPIDS Dask 做多节点扩展。内存与性能支持的数据类型所有索引类型均支持float32、float16、int8、uint8。使用float16可将内存减半在不需要完整 float32 精度时嵌入场景很常见可以加速构建和搜索。但 SKILL.md 与 cuvs 文档都提醒评估降精度时不要假设它是免费的——如果所选索引支持 float16应在改变存储前对比 recall/排序指标与端到端性能。性能技巧用 CuPy 数组作为输入。NumPy 数组也能用但会触发 CPU→GPU 传输。如果向量已经在 GPU 上来自模型或管线直接传入即可。调 search 参数而不只是 build 参数。最大的精度/速度权衡发生在搜索阶段CAGRA增大itopk_size默认 64IVF-Flat/IVF-PQ增大n_probes默认 20HNSW增大ef默认 200评估降精度别假设免费。先对比 float16 与 float32 的 recall/排序指标和端到端性能再决定存储格式。IVF 系索引的 n_lists 调参。好的起点是sqrt(n_samples)。簇太少搜索慢簇太多召回差。批量查询。GPU 吞吐量随批量大小扩展。一次搜索 1000 条查询远比 1000 次单条搜索高效。复用 Resources 句柄。只创建一个Resources()对象并传给所有 build/search 调用——它管理 CUDA 流与内存。内存估算Brute forcen_samples * dim * dtype_size完整数据集IVF-Flat与暴力搜索相近 簇开销IVF-PQn_samples * pq_dim * pq_bits / 8大幅压缩CAGRAn_samples * (dim * dtype_size graph_degree * 4)数据集 图互操作性与端到端 RAG 示例cuVS 通过 CUDA Array Interface 与 RAPIDS 生态及主流深度学习框架实现零拷贝互操作这一点与 decision_framework.md 中Combine Libraries一节描述的组合方式一致例如 CuPy cuVS 的组合就是用 CuPy 运算生成嵌入构建 cuVS 检索索引——零拷贝CuPy原生输入——通过__cuda_array_interface__零拷贝NumPy可作为输入GPU 索引自动传输到 GPUHNSW 直接使用PyTorch / TensorFlow张量可通过 CUDA array interface 传入无需拷贝cuDF先用.values把列转为 CuPy再传给 cuVSFaisscuVS 是 Faiss GPU 的底层引擎直接使用时 cuVS 提供更多控制向量数据库cuVS 已集成进 Milvus、Lucene 和 Kinetica端到端 RAG 管线示例import cupy as cp from cuvs.neighbors import cagra # 假设嵌入来自某个模型例如 GPU 上的 sentence-transformers document_embeddings cp.array(embeddings, dtypecp.float32) # (n_docs, 768) # 构建索引 index_params cagra.IndexParams(metricinner_product) index cagra.build(index_params, document_embeddings) cagra.save(doc_index.cagra, index) # 查询阶段 query_embedding cp.array(encode(user question), dtypecp.float32).reshape(1, -1) search_params cagra.SearchParams(itopk_size128) distances, neighbors cagra.search(search_params, index, query_embedding, k20) # neighbors[0] 包含 top-20 最相似文档的索引 top_doc_ids neighbors[0].get() # 转移到 CPU用metricinner_product的前提是嵌入已归一化neighbors[0].get()把 GPU 上的索引取回 CPU 以便后续拼装检索结果。常见模式五连模式 1快速 ANN 搜索CAGRAimport cupy as cp from cuvs.neighbors import cagra dataset cp.random.rand(500_000, 128, dtypecp.float32) queries cp.random.rand(1000, 128, dtypecp.float32) index cagra.build(cagra.IndexParams(), dataset) distances, neighbors cagra.search(cagra.SearchParams(), index, queries, k10)模式 2内存高效搜索IVF-PQimport cupy as cp from cuvs.neighbors import ivf_pq dataset cp.random.rand(10_000_000, 256, dtypecp.float32) # PQ 压缩向量——内存约为暴力搜索的 1/32 params ivf_pq.IndexParams(n_lists4096, pq_bits8, pq_dim64) index ivf_pq.build(params, dataset) search_params ivf_pq.SearchParams(n_probes100) distances, neighbors ivf_pq.search(search_params, index, queries, k10)模式 3GPU 构建、CPU 服务CAGRA → HNSWimport cupy as cp import numpy as np from cuvs.neighbors import cagra, hnsw # 在 GPU 上构建快 dataset cp.random.rand(1_000_000, 128, dtypecp.float32) gpu_index cagra.build(cagra.IndexParams(), dataset) # 转换为 HNSW 供 CPU 服务 cpu_index hnsw.from_cagra(hnsw.IndexParams(), gpu_index) hnsw.save(serving_index.hnsw, cpu_index) # 服务阶段无需 GPU loaded hnsw.load(hnsw.IndexParams(), serving_index.hnsw, dim128, dtypenp.float32) queries np.random.rand(100, 128).astype(np.float32) distances, neighbors hnsw.search( hnsw.SearchParams(ef200), loaded, queries, k10 )模式 4用暴力搜索验证 recall这一模式直接落实了 SKILL.md 中的验证要求对于近似最近邻索引应针对精确搜索报告 recallk不要像对待等价算法一样拿精确 CPU 算法与近似 GPU 算法直接比较。from cuvs.neighbors import brute_force, cagra # 真值 bf_index brute_force.build(dataset) gt_distances, gt_neighbors brute_force.search(bf_index, queries, k10) # 近似 cagra_index cagra.build(cagra.IndexParams(), dataset) approx_distances, approx_neighbors cagra.search( cagra.SearchParams(), cagra_index, queries, k10 ) # 计算召回率 recall sum( len(set(gt_neighbors[i].get()) set(approx_neighbors[i].get())) / 10 for i in range(len(queries)) ) / len(queries) print(fRecall10: {recall:.4f})模式 5余弦相似度搜索import cupy as cp from cuvs.neighbors import cagra # 把嵌入归一化为单位长度 embeddings cp.random.rand(100_000, 768, dtypecp.float32) norms cp.linalg.norm(embeddings, axis1, keepdimsTrue) embeddings_normalized embeddings / norms # 在归一化向量上用 inner_product 余弦相似度 index cagra.build( cagra.IndexParams(metricinner_product), embeddings_normalized, ) query cp.random.rand(1, 768, dtypecp.float32) query_normalized query / cp.linalg.norm(query) distances, neighbors cagra.search( cagra.SearchParams(), index, query_normalized, k10 )超越最近邻聚类、距离与预处理cuVS 还提供 GPU 加速的聚类、成对距离与量化能力是向量检索管线中常用的构建块。K-Means 聚类import cupy as cp from cuvs.cluster.kmeans import fit, predict, KMeansParams X cp.random.rand(100_000, 128, dtypecp.float32) params KMeansParams( n_clusters256, init_methodKMeansPlusPlus, # 或 Random, Array max_iter300, tol1e-4, ) centroids, inertia, n_iter fit(params, X) labels, inertia predict(params, X, centroids)对于超过 GPU 内存的数据集可以传 NumPy 数组并配合streaming_batch_size流式处理import numpy as np from cuvs.cluster.kmeans import fit, KMeansParams X_host np.random.rand(10_000_000, 128).astype(np.float32) params KMeansParams(n_clusters1000, streaming_batch_size1_000_000) centroids, inertia, n_iter fit(params, X_host)成对距离from cuvs.distance import pairwise_distance # 支持: euclidean, l2, l1, inner_product, cosine, chebyshev, # canberra, hellinger, jensenshannon, kl_divergence, correlation, minkowski output pairwise_distance(X, Y, metriceuclidean)量化预处理量化在索引前压缩向量能降低内存并往往提升检索吞吐。标量量化float32 → int8from cuvs.preprocessing.quantize import scalar params scalar.QuantizerParams(quantile0.99) quantizer scalar.train(params, dataset) transformed scalar.transform(quantizer, dataset) # int8 reconstructed scalar.inverse_transform(quantizer, transformed)二值量化float32 → uint8 位打包from cuvs.preprocessing.quantize import binary transformed binary.transform(dataset) # uint8 # 配合 metricbitwise_hamming 使用乘积量化from cuvs.preprocessing.quantize import pq params pq.QuantizerParams(pq_bits8, pq_dim16) quantizer pq.build(params, dataset) transformed, _ pq.transform(quantizer, dataset) # uint8 reconstructed pq.inverse_transform(quantizer, transformed)PCA预处理GPU 加速的 PCA用于索引前的降维26.06 版本新增import cupy as cp from cuvs.preprocessing import pca X cp.random.random_sample((500, 32), dtypecp.float32) params pca.Params(n_components8, copyTrue) result pca.fit(params, X) transformed pca.transform(params, X, result.components, result.singular_vals, result.mu) reconstructed pca.inverse_transform( params, transformed, result.components, result.singular_vals, result.mu)NN-Descentk-NN 图构建构建全邻居 k-NN 图——可作为 UMAP、t-SNE 或基于图的聚类的输入。import cupy as cp from cuvs.neighbors import nn_descent dataset cp.random.rand(100_000, 128, dtypecp.float32) build_params nn_descent.IndexParams( metricsqeuclidean, graph_degree64, intermediate_graph_degree96, # 1.5 * graph_degree max_iterations20, ) index nn_descent.build(build_params, dataset) graph index.graph # (n_samples, graph_degree) —— k-NN 图注意intermediate_graph_degree应不小于graph_degree的 1.5 倍否则中间图质量不足会影响最终图精度。正确基准测试从迁移到验证的完整闭环在 optimize-for-gpu 技能的方法论中cuVS 移植不是终点。完整的闭环是对应 SKILL.md 的六步工作流定义契约与基线记录代表性输入、期望输出、数值容差以及硬件、包版本、dtype、形状、批量大小。检查适用性确认工作负载在热路径上有足够的可并行独立工作且工作集能放进设备内存。采用最小侵入实现优先把 Faiss/sklearn 代码替换为 cuVS 原生 API参考 code_transformation_patterns.md 的精确 Faiss→brute-force 等价转换示例。保持 GPU 数据路径连贯输入只传输一次中间结果留在设备端批量小操作按需选择降精度。先验证语义再谈速度用模式 4 的方式对精确真值报告 recallkCPU 精确算法与 GPU 近似算法不能当作等价物直接对比。正确基准测试GPU 工作是异步的普通 CPU 计时器测到的是入队时间。应预热上下文创建与 JIT 编译再用 CUDA events 或库感知计时器如cupyx.profiler.benchmark测量同时报告同步后的内核时间与包含传输成本的端到端延迟。只有通过正确性检查且端到端基准有实际收益的 GPU 路径才值得保留。这套从选型、构建、调参、验证到基准的流程正是把 cuVS 用对、用得可复现的关键所在。相关的决策依据、安装细节与转换模式可分别查阅 decision_framework.md、installation.md 与 code_transformation_patterns.md。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考