用途：为 NodeJS-Starter-V1 的 Supabase/PostgreSQL 技术栈提供向量检索能力，涵盖嵌入生成、相似度查询、混合搜索、索引与分块策略。项目内有两套体系：Memory Store（src/memory/store.py，表 domain_memories，用于智能体领域知识）与 RAG Pipeline（src/rag/storage.py，表 document_chunks，用于文档检索），共用 src/memory/embeddings.py 的 EmbeddingProvider 抽象。
主要能力：嵌入提供方包括 OpenAI text-embedding-3-small（1536 维）、Ollama nomic-embed-text（768 维）、测试用 Simple 哈希实现，由 get_embedding_provider() 按 OPENAI_API_KEY、ANTHROPIC_API_KEY 顺序选择。API 路由有 /rag/search（向量、混合或关键词）、/rag/upload（文档入库与嵌入）、/api/search（tsvector 全文检索）。相似度搜索经 PostgreSQL RPC find_similar_memories，支持阈值与域/用户过滤；混合搜索经 RPC hybrid_search，默认向量 0.6、关键词 0.4。索引可用 IVFFlat（小于 1 万行）或 HNSW（1 万行以上），距离函数使用 cosine（vector_cosine_ops）。
使用方式：嵌入统一走 EmbeddingProvider，禁止直接调用 OpenAI/Ollama；相似度在 PostgreSQL 服务端计算；分块策略有 FIXED_SIZE、SEMANTIC、RECURSIVE、PARENT_CHILD、CODE_AWARE，默认 PARENT_CHILD（子块 512、父块 2048）并设 chunk_overlap=50。
适用场景：新增语义搜索数据、修改嵌入生成逻辑、最近邻查询、调优搜索相关性（阈值、权重、重排序）、新增嵌入提供方。
限制：同表向量维度必须一致（项目统一 1536 维）；需配置相似度阈值避免噪声；大批量数据应提升 ivfflat.probes 或迁移 HNSW；查询嵌入建议缓存；结果仪表盘、纯关键词全文检索、搜索指标埋点与查询日志分别由 dashboard-patterns、PostgreSQL tsvector、metrics-collector、structured-logging 处理。