用途：为 Supabase/PostgreSQL + pgvector 技术栈提供向量检索能力，覆盖嵌入生成、相似度查询、混合搜索、索引与分块策略，服务于项目中的两套系统——Memory Store（智能体领域知识，表 domain_memories）与 RAG Pipeline（文档检索，表 document_chunks）。
主要能力：通过 EmbeddingProvider 抽象统一嵌入生成，支持 OpenAI（text-embedding-3-small，1536 维）、Ollama（nomic-embed-text，768 维）与仅用于测试的哈希式 Simple 提供商，由 get_embedding_provider() 按 OPENAI_API_KEY、ANTHROPIC_API_KEY 顺序选择。相似度搜索经 PostgreSQL RPC find_similar_memories 在服务端计算余弦相似度，支持阈值与领域/用户过滤；混合搜索经 hybrid_search RPC 融合向量与关键词权重（默认 0.6/0.4）。索引支持 IVFFlat 与 HNSW，距离函数为余弦（vector_cosine_ops）。分块支持 FIXED_SIZE、SEMANTIC、RECURSIVE、PARENT_CHILD、CODE_AWARE 五种策略，默认 PARENT_CHILD（子块 512、父块 2048）。
使用方式：新增提供商需继承 EmbeddingProvider 并实现 get_embedding()，再接入选择逻辑；同一表内向量维度必须一致（项目统一 1536 维）。相关路由包括 /rag/search、/rag/upload、/api/search。
适用场景：为新数据类型添加语义搜索、修改嵌入逻辑、实现近邻查询、配置文档分块、调优检索相关性、接入新嵌入提供商。
限制：不适用于搜索结果看板 UI、纯关键词全文检索（应直接用 tsvector）、搜索延迟指标与查询日志（分别使用 metrics-collector 与 structured-logging）。避免客户端计算相似度、混用维度、无阈值检索、未建索引存储向量等反模式。具体收费与价格信息暂未提供。