How do I install the Cloud SQL Postgres Vectorassist skill?

Run npx skillmds@latest add tmolavi/cloud-sql-postgres-vectorassist in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

What does the Cloud SQL Postgres Vectorassist skill do?

Use these skills to set up and optimize production-ready vector workloads by simply expressing your intent and performance requirements. It is listed under DevOps & Infra on SkillMD.

Is Cloud SQL Postgres Vectorassist safe to use?

This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Cloud SQL Postgres Vectorassist?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Cloud SQL Postgres Vectorassist free to use?

Yes. Installing skills from SkillMD is free. This skill is licensed under Apache-2.

Who published Cloud SQL Postgres Vectorassist?

tmolavi (@tmolavi) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Cloud SQL Postgres Vectorassist by tmolavi

Name: Cloud SQL Postgres Vectorassist
Author: tmolavi

Usage

All scripts can be executed using Node.js. Replace <param_name> and <param_value> with actual values.

Bash: node <skill_dir>/scripts/<script_name>.js '{"<param_name>": "<param_value>"}'

PowerShell: node <skill_dir>/scripts/<script_name>.js '{\"<param_name>\": \"<param_value>\"}'

Note: The scripts automatically load the environment variables from various .env files. Do not ask the user to set vars unless skill executions fails due to env var absence.

Scripts

apply_spec

This tool automatically executes all the SQL recommendations associated with a specific vector specification (spec_id) or table. It runs the necessary commands in the correct sequence to provision the workload, marking each step as applied once successful. Use this tool when the user has reviewed the generated recommendations from a defined (or modified) spec and is ready to apply the changes directly to their database instance to finalize the vector search setup. This tool can be used as a follow-up action after invoking the 'define_spec' or 'modify_spec' tool.

Parameters

Name	Type	Description	Required
spec_id	string	The unique ID of	No
: : : the vector : : :
: : : specification to : : :
: : : apply. : : :
table_name	string	The name of the	No
: : : table to apply the : : :
: : : vector : : :
: : : specification to : : :
: : : (in case of a : : :
: : : single spec : : :
: : : defined on the : : :
: : : table). : : :
column_name	string	The	No
: : : text_column_name : : :
: : : or : : :
: : : vector_column_name : : :
: : : of the spec to : : :
: : : identify the exact : : :
: : : spec in case there : : :
: : : are multiple specs : : :
: : : defined on a : : :
: : : table. : : :
schema_name	string	The schema name	No
: : : for the table. : : :

define_spec

This tool defines a new vector specification by capturing the user's intent and requirements for a vector search workload. This generates a complete, ordered set of SQL recommendations required to set up the database, embeddings, and vector indexes. While highly customizable, any optional parameters left unspecified will use internally determined defaults optimized for the specific workload. Use this tool at the very beginning of the vector setup process when a user first wants to configure a table for vector search, generate embeddings, or create a new vector index.

Parameters

Name	Type	Description	Required
table_name	string	Table name on	Yes
: : : which vector : : :
: : : workload needs : : :
: : : to be set up. : : :
schema_name	string	Schema	No
: : : containing the : : :
: : : given table. : : :
spec_id	string	Unique ID for	No
: : : the vector spec. : : :
: : : Auto-generated, : : :
: : : if not : : :
: : : specified. : : :
vector_column_name	string	Column name for	No
: : : the column with : : :
: : : vector : : :
: : : embeddings. : : :
text_column_name	string	Column name for	No
: : : the column with : : :
: : : text on which : : :
: : : vector search : : :
: : : needs to be set : : :
: : : up. : : :
vector_index_type	string	Type of the	No
: : : vector index to : : :
: : : be created : : :
: : : (Allowed : : :
: : : inputs: 'hnsw', : : :
: : : 'ivfflat', : : :
: : : 'scann'). : : :
embeddings_available	boolean	Boolean	No
: : : parameter to : : :
: : : know if vector : : :
: : : embeddings are : : :
: : : already : : :
: : : available in the : : :
: : : table. : : :
num_vectors	integer	Number of	No
: : : vectors expected : : :
: : : in the dataset. : : :
dimensionality	integer	If vectors are	No
: : : already : : :
: : : generated, set : : :
: : : to dimension of : : :
: : : vectors. If not, : : :
: : : set to : : :
: : : dimensionality : : :
: : : of the : : :
: : : embedding_model. : : :
embedding_model	string	Optional	No
: : : parameter: : : :
: : : Model to be used : : :
: : : for generating : : :
: : : embeddings. If : : :
: : : not provided, it : : :
: : : has an : : :
: : : internally : : :
: : : selected default : : :
: : : value. : : :
prefilter_column_names	array	Columns based on	No
: : : which : : :
: : : prefiltering : : :
: : : will happen in : : :
: : : vector search : : :
: : : queries. : : :
distance_func	string	Distance	No
: : : function to be : : :
: : : used for : : :
: : : comparing : : :
: : : vectors (Allowed : : :
: : : inputs: : : :
: : : 'cosine', 'ip', : : :
: : : 'l2', 'l1'). : : :
quantization	string	Quantization to	No
: : : be used for : : :
: : : creating the : : :
: : : vector indexes : : :
: : : (Allowed : : :
: : : inputs: 'none', : : :
: : : 'halfvec', : : :
: : : 'bit'). : : :
memory_budget_kb	integer	Maximum size in	No
: : : KB that the : : :
: : : index can : : :
: : : consume in : : :
: : : memory while : : :
: : : building. : : :
target_recall	float	The recall that	No
: : : the user would : : :
: : : like to target : : :
: : : with the given : : :
: : : index for : : :
: : : standard vector : : :
: : : queries. : : :
target_top_k	integer	The top-K values	No
: : : that need to be : : :
: : : retrieved for : : :
: : : the given query. : : :
tune_vector_index	boolean	Boolean	No
: : : parameter to : : :
: : : specify if the : : :
: : : auto tuning is : : :
: : : required for the : : :
: : : index. : : :

execute_sql

Use this tool to execute a single SQL statement.

Parameters

Name	Type	Description	Required	Default
sql	string	The sql to execute.	Yes

generate_query

This tool generates optimized SQL queries for vector search by leveraging the metadata and vector specifications defined in a specific spec_id. It may return a single query or a sequence of multiple SQL queries that can be executed sequentially. Use this tool when a user wants to perform semantic or similarity searches on their data. It serves as the primary actionable tool to invoke for generating the executable SQL required to retrieve relevant results based on vector similarity. The 'execute_sql' tool can be used as a follow-up action after invoking this tool.

Parameters

Name	Type	Description	Required
spec_id	string	Generate the	No
: : : vector query : : :
: : : corresponding to : : :
: : : this vector spec. : : :
table_name	string	Generate the	No
: : : vector query : : :
: : : corresponding to : : :
: : : this table (in : : :
: : : case of a single : : :
: : : spec defined on : : :
: : : the table). : : :
schema_name	string	Schema name for	No
: : : the table related : : :
: : : to the vector : : :
: : : query generation. : : :
column_name	string	text_column_name	No
: : : or : : :
: : : vector_column_name : : :
: : : of the spec to : : :
: : : identify the exact : : :
: : : spec in case there : : :
: : : are multiple specs : : :
: : : defined on a : : :
: : : table. : : :
search_text	string	Text search for	No
: : : which query needs : : :
: : : to be generated. : : :
: : : Embeddings are : : :
: : : generated using : : :
: : : the model defined : : :
: : : in the vector : : :
: : : spec. : : :
search_vector	string	Vector for which	No
: : : query needs to be : : :
: : : generated. Only : : :
: : : one of search_text : : :
: : : or search_vector : : :
: : : must be populated. : : :
output_column_names	array	Column names to	No
: : : retrieve in the : : :
: : : output search : : :
: : : query. Defaults to : : :
: : : retrieving all : : :
: : : columns. : : :
top_k	integer	Number of nearest	No
: : : neighbors to be : : :
: : : returned in the : : :
: : : vector search : : :
: : : query. Defaults : : :
: : : to 10. : : :
filter_expressions	array	Any filter	No
: : : expressions to be : : :
: : : applied on the : : :
: : : vector search : : :
: : : query. : : :
target_recall	float	The recall that	No
: : : the user would : : :
: : : like to target : : :
: : : with the given : : :
: : : query. Overrides : : :
: : : the spec-level : : :
: : : target_recall. : : :
iterative_index_search	boolean	Perform iterative	No
: : : index search for : : :
: : : filtered queries : : :
: : : to ensure enough : : :
: : : results are : : :
: : : returned. : : :

modify_spec

This tool modifies an existing vector specification (identified by a required spec_id) with new parameters or overrides. Upon modification, it automatically recalculates and refreshes the list of generated SQL recommendations to match the updated requirements. This tool provides a way to modify column(s) in the vector spec before applying and taking action on the recommendations. While highly customizable, any optional parameters left unspecified will use internally determined defaults optimized for the specific workload. Use this tool to modify configurations established via 'define_spec' tool such as adjusting target recall, embedding models, or quantization settings, etc.

Parameters

Name	Type	Description	Required
spec_id	string	Unique ID for	Yes
: : : the vector : : :
: : : spec you want : : :
: : : to modify. : : :
table_name	string	Modify the	No
: : : table name on : : :
: : : which vector : : :
: : : workload needs : : :
: : : to be set up. : : :
schema_name	string	Modify the	No
: : : schema : : :
: : : containing the : : :
: : : given table. : : :
vector_column_name	string	Modify the	No
: : : column name : : :
: : : for the column : : :
: : : with vector : : :
: : : embeddings. : : :
text_column_name	string	Modify the	No
: : : column name : : :
: : : for the column : : :
: : : with text on : : :
: : : which vector : : :
: : : search needs : : :
: : : to be set up. : : :
vector_index_type	string	Modify the	No
: : : type of the : : :
: : : vector index : : :
: : : to be created : : :
: : : (Allowed : : :
: : : inputs: : : :
: : : 'hnsw', : : :
: : : 'ivfflat', : : :
: : : 'scann'). : : :
embeddings_available	boolean	Modify whether	No
: : : vector : : :
: : : embeddings are : : :
: : : already : : :
: : : available in : : :
: : : the table. : : :
num_vectors	integer	Modify the	No
: : : number of : : :
: : : vectors : : :
: : : expected in : : :
: : : the dataset. : : :
dimensionality	integer	Modify the	No
: : : dimensionality : : :
: : : of the vectors : : :
: : : or embedding : : :
: : : model. : : :
embedding_model	string	Modify the	No
: : : model used for : : :
: : : generating : : :
: : : embeddings. : : :
prefilter_column_names	array	Modify the	No
: : : column(s) : : :
: : : based on which : : :
: : : prefiltering : : :
: : : will happen in : : :
: : : vector search : : :
: : : queries. : : :
distance_func	string	Modify the	No
: : : distance : : :
: : : function to be : : :
: : : used for : : :
: : : comparing : : :
: : : vectors : : :
: : : (Allowed : : :
: : : inputs: : : :
: : : 'cosine', : : :
: : : 'ip', 'l2', : : :
: : : 'l1'). : : :
quantization	string	Modify the	No
: : : quantization : : :
: : : to be used for : : :
: : : creating the : : :
: : : vector indexes : : :
: : : (Allowed : : :
: : : inputs: : : :
: : : 'none', : : :
: : : 'halfvec', : : :
: : : 'bit'). : : :
memory_budget_kb	integer	Modify the	No
: : : maximum size : : :
: : : that the index : : :
: : : can consume in : : :
: : : memory while : : :
: : : building. : : :
target_recall	float	Modify the	No
: : : recall that : : :
: : : the user would : : :
: : : like to target : : :
: : : with the given : : :
: : : index. : : :
target_top_k	integer	Modify the	No
: : : Top-K matching : : :
: : : values that : : :
: : : need to be : : :
: : : retrieved for : : :
: : : the given : : :
: : : query. : : :
tune_vector_index	boolean	Modify whether	No
: : : to tune vector : : :
: : : index build : : :
: : : and search : : :
: : : parameters. : : :

Cloud SQL Postgres Vectorassist

File contents

Usage

Scripts

apply_spec

Parameters

define_spec

Parameters

execute_sql

Parameters

generate_query

Parameters

modify_spec

Parameters

Frequently asked questions

Cloud SQL Postgres Vectorassist

File contents

Usage

Scripts

apply_spec

Parameters

define_spec

Parameters

execute_sql

Parameters

generate_query

Parameters

modify_spec

Parameters

Related skills

Frequently asked questions

How do I install the Cloud SQL Postgres Vectorassist skill?

What does the Cloud SQL Postgres Vectorassist skill do?

Is Cloud SQL Postgres Vectorassist safe to use?

Which AI agents work with Cloud SQL Postgres Vectorassist?

Is Cloud SQL Postgres Vectorassist free to use?

Who published Cloud SQL Postgres Vectorassist?