用途：为 AI/ML 系统搭建数据基础设施，包括 RAG 管道、特征存储和嵌入生成，提供架构模式、编排工作流与生产评估指标。
主要能力：RAG 管道分 5 个阶段——摄取（PDF/DOCX/Markdown）、索引（分块+嵌入+存储）、检索（查询向量+向量搜索+过滤）、生成（上下文注入+LLM 流式输出）、评估（RAGAS 指标：忠实度、答案相关性、上下文精确率与召回率）。分块默认 512 tokens、重叠 50-100 tokens，也可用代码感知或语义分块。嵌入推荐 Voyage AI voyage-3（1024 维），开发可用 OpenAI text-embedding-3-small。特征存储推荐 Feast，支持 PostgreSQL、Redis、DynamoDB、S3、BigQuery、Snowflake 等后端，用于解决训练-服务偏差。编排推荐 Dagster（面向 ML/AI），另可选 Prefect、Airflow 3.0、dbt。数据版本管理推荐 LakeFS，支持类 Git 的 branch/commit/merge。
使用方式：可通过 scripts/setup_qdrant.py 初始化 Qdrant 集合，用 scripts/chunk_documents.py 分块，用 scripts/evaluate_rag.py 跑 RAGAS 评估；LangChain 提供基础 RAG 链与流式响应。依赖安装：pip install langchain langchain-core langchain-openai langchain-voyageai langchain-qdrant；矢量库 pip install qdrant-client；评估 pip install ragas datasets；特征存储 pip install feast；编排 pip install dagster dagster-webserver；版本管理 pip install lakefs-client。
适用场景：构建 RAG 管道、语义搜索或向量数据库、实时特征服务、嵌入生成管道、用 RAGAS 评估 RAG 质量、编排 AI 数据流，并与前端 ai-chat、search-filter 技能集成。
限制：传统 CRUD 应用、简单键值存储或无 AI/ML 组件的场景不适用；需注意避免混合嵌入模型，检索质量差时应调整分块与重排；成本、延迟与并发细节资料未完整给出。