用途：该技能用于实现 AI/ML 应用中的向量数据库，适用于 RAG 聊天机器人、语义搜索、基于相似度的推荐、多模态统一检索、文档去重与相似度、私有知识库问答等场景。
主要能力：提供向量数据库选型决策框架——已有 PostgreSQL 可选 pgvector（小于 1000 万向量、预算紧张）；零运维托管可选 Pinecone；小于 1 亿向量且需复杂过滤推荐 Qdrant（内置 BM25 与向量混合搜索，支持 Docker/K8s 自托管或 Qdrant Cloud）；大于 1 亿向量且需 GPU 加速可选 Milvus/Zilliz Cloud；嵌入式无服务器可选 LanceDB；本地原型可用 Chroma。嵌入模型方面列出 Voyage AI voyage-3、OpenAI text-embedding-3-large/small、Cohere embed-v3，以及可自托管的 nomic-embed-text-v1.5、BAAI/bge-m3、jina-embeddings-v2。
使用方式：默认分块为 512 tokens、重叠 50 tokens；采用向量相似度加 BM25 的混合搜索，并用 Reciprocal Rank Fusion 合并重排。示例以 Qdrant 为主，Python 使用 qdrant-client 创建集合、upsert 与带元数据过滤的 search；TypeScript 使用 @qdrant/js-client-rest。RAG 流水线涵盖摄取、索引、检索、生成与评估五阶段，并给出生产元数据字段建议。评估使用 RAGAS 的 faithfulness、answer_relevancy、context_recall、context_precision 指标。
适用场景与限制：适合构建 RAG 聊天机器人、语义搜索引擎与代码搜索。资料未提供具体价格承诺、平台可用性或效果保证；文中提及的模型性能与费用数字仅为资料原文陈述，实际以官方为准。部分参考文档与示例目录未在资料中展开，需查阅对应文件。