该技能为在 Azure Cosmos DB 上构建 RAG 与 AI 智能体应用提供最佳实践，适用于使用向量搜索、全文搜索或 LangChain/LangGraph 的场景。
向量搜索：使用 VectorDistance 做相似度查询，定义向量嵌入策略，在账户上启用向量搜索功能，在索引策略中配置向量索引类型，为余弦相似度归一化嵌入，并以仓储模式封装向量搜索。
全文搜索：在索引策略中添加全文索引，在容器上定义全文策略，在账户上启用全文搜索能力，将全文谓词与范围或等值过滤组合成混合查询，用 FullTextContains 做关键词匹配，用 FullTextScore 配合 ORDER BY RANK 实现 BM25 相关性排序。
SDK 实践：涉及 LangChain 与 LangGraph，如先用异步容器初始化 CosmosDBSaver、用 CosmosDBSaver 做 LangGraph 检查点、在 JS/TS 中使用聊天历史与语义缓存、配置 Azure OpenAI 嵌入部署名、防止过滤注入、混合搜索前置条件、托管标识、选择正确搜索类型、向量存储初始化，以及持久化 MCP 客户端会话与工具内容格式处理。
设计模式：当 ID 已知时用点读取做 AI 内容接地与 RAG 检索，用后台任务非阻塞存储聊天历史，为 AI 消息标记智能体名称以便归属，将活跃智能体持久化以确定性路由，用 asyncio.to_thread 包装同步 Cosmos 调用，将聊天历史与检查点分开存储，在 FastAPI 启动时初始化智能体并重试，用 LangGraph 中断实现人工确认，用 StateGraph 条件边做多智能体路由，以及从中断后的检查点恢复。具体实现细节与限制请以官方文档为准，本资料未提供价格、性能或平台兼容性信息。