pg-aiguide技能元数据:描述、路径和内容的结构化信息完整指南
pg-aiguide是一个专为AI编程工具设计的MCP服务器和Claude插件,帮助生成更优化的PostgreSQL代码。本文将为您详细介绍pg-aiguide的技能元数据结构,包括技能描述、文件路径和详细内容的完整信息。
📋 项目概述
pg-aiguide通过提供结构化的PostgreSQL技能元数据,让AI助手能够更好地理解数据库设计模式和最佳实践。该项目包含四个核心技能模块,每个模块都针对特定的PostgreSQL使用场景。
🔧 核心技能模块详解
PostgreSQL表设计技能
路径:skills/design-postgres-tables/SKILL.md
这个技能提供全面的PostgreSQL表设计参考,涵盖数据类型、索引、约束、性能模式和高级功能。包括:
- 核心规则:主键定义、规范化原则、NOT NULL约束、索引策略
- PostgreSQL特有特性:标识符处理、唯一约束与NULL、外键索引、序列间隙处理
- 详细数据类型指南:从ID类型到JSONB、向量类型的完整说明
超表候选分析技能
路径:skills/find-hypertable-candidates/SKILL.md
该技能帮助分析现有PostgreSQL数据库,识别适合转换为TimescaleDB超表的候选表。包含:
- 时间序列特征评分系统:基于8+评分标准识别强候选表
- 性能收益分析:90%+压缩率、基于时间的快速查询、改进的插入性能
- 模式识别:事件日志、传感器数据、金融交易等常见用例
超表迁移技能
路径:skills/migrate-postgres-tables-to-hypertables/SKILL.md
提供从PostgreSQL表到TimescaleDB超表的完整迁移指南,包含:
- 最优配置:分区列选择、块间隔计算、压缩配置
- 迁移策略:原地迁移(小于1GB)和蓝绿迁移(大于1GB)
- 性能验证:查询测试、压缩分析、存储监控
TimescaleDB完整设置技能
路径:skills/setup-timescaledb-hypertables/SKILL.md
提供分步指导,用于设计表模式和设置TimescaleDB超表、索引、压缩、保留策略和连续聚合。
📁 技能配置文件
主配置文件:skills.yaml
该文件定义了技能集合的本地配置,指向./skills目录。
🗄️ 数据摄入模块
路径:ingest/
包含PostgreSQL文档和Tiger文档的数据摄入脚本,支持:
- postgres_docs.py:处理官方PostgreSQL文档
- tiger_docs.py:处理Tiger文档
- 配置文件:tiger_docs_config.toml
🔄 数据库迁移管理
路径:migrations/
包含数据库迁移脚本:
- 1756387543053-initial.js
- 1759241172003-add-hnsw-indexes.js
- 1759241361471-add-version-index.js
- 1759851009030-add-tiger-indexes.js
🌐 API接口层
路径:src/apis/
提供RESTful API接口:
💡 使用场景和价值
pg-aiguide的技能元数据结构为以下场景提供支持:
- AI辅助数据库设计:为AI工具提供结构化的PostgreSQL知识
- 性能优化:通过超表转换提升时间序列数据处理能力
- 开发效率:提供即用即查的最佳实践参考
通过这种结构化的技能元数据组织,pg-aiguide能够帮助AI编程工具生成更符合PostgreSQL最佳实践的代码,提高数据库设计的质量和性能。
该项目的技能元数据结构清晰、文档完整,为PostgreSQL数据库设计和优化提供了强大的AI助手支持。无论是初学者还是经验丰富的开发者,都能从中获得有价值的指导和参考。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00