用途：为 RAG 与搜索管线实现优化检索策略，覆盖相似度搜索、混合检索、重排序、MMR、分层检索等方案的选型、失败模式与调优。前提是熟悉嵌入与基础向量数据库 API。
主要能力与选型：自然语言查询配散文语料用相似度搜索作基线；含精确术语、型号、ID、代码的查询用混合检索（语义+关键词）；top-k 召回好但排序差加重排序器；结果冗余用 MMR；长文档、多跳问题用分层检索。不要默认全上混合+重排，每层都增加延迟与失败面，应先最小化、埋点，再按指标加层。
关键要点：高维余弦距离聚集，阈值不可靠，用 top_k 而非分数阈值；查询与文档嵌入不对称会降召回，对称场景用 all-mpnet-base-v2 类双编码器；分块比选嵌入模型更重要，建议重叠分块、按语义边界切分、父子分块（子块嵌入、返回父块）。混合检索用 RRF 融合排名而非归一化分数，BM25 需与索引一致的分词器。重排序用交叉编码器，只重排 top-20 到 40，分数是序数信号不可设阈值，注意长度偏差。MMR 需在重排时拿到候选向量，λ=0.5 为常用默认。分层检索先文档级再段落级，可加 LLM 上下文压缩。
诊断与权衡：记录 retrieved_ids、rank_of_relevant、MRR、recall@k，用 20-30 条真实查询人工标注 top-3 即可发现多数问题。常见症状对应修复：相关文档排 8-15 名加重排；不在 top-100 查分块与嵌入；top-5 同源加 MMR 或按 doc_id 去重；精确匹配缺失加 BM25；结果好但 LLM 说未找到改用父子分块。延迟优化包括减小 top-k、语义与 BM25 并行、缓存嵌入、仅在分数分布集中时重排。
限制：资料未提供该技能的安装命令、运行环境、收费与平台支持信息。