用途：为应用实现 RAG（检索增强生成），让模型基于检索到的片段作答并给出引用，而不是把 LLM 当作事实来源。适用于搭建知识库问答、文档/FAQ/政策/价格等事实型场景。
主要能力：覆盖摄取、分块、嵌入、检索、重排与语料修正的完整链路；支持混合检索（向量 + BM25/Elasticsearch）、查询改写、过滤（租户、语言、doc_type、有效期）、重排与引用生成；区分三层记忆——工作记忆（请求上下文）、情景记忆（偏好与决策，带 TTL、user_id、同意）、语义记忆（语料 + 向量 + 元数据）。
使用方式：管线为 源 → 分块（重叠、稳定 ID）→ 嵌入 → upsert；查询 → 改写 → 检索（含过滤）→ 重排 → 生成 + 引用。按结构分块而非盲目按 token；ID 可用 hash(source_id + chunk_index + content_version)；摄取与查询须用同一嵌入模型；元数据至少含 source_id、source_uri、title、updated_at、acl、locale。事实变更时编辑规范源，再 upsert 该文档的分块与向量、删除同 source_id 的孤儿向量、更新版本并失效检索缓存；更换嵌入模型或分词器须全量重建索引。模型客户端可用 claude-api / chatgpt-api / gemini-api / ollama-api；存储沿用项目现有方案（pgvector、Chroma、Pinecone、OpenSearch 等），Postgres 用 pgvector。
限制与规则：密钥与第三方 PII 不得进入语料；按文档幂等 upsert、分块级联删除；生成上下文只用检索片段加问题；租户隔离须在查询中强制生效；检索为空或分数过低应回答“不知道”或请求澄清，不得编造；事实型领域（法律、价格、医疗相关）须带引用；不要用微调让模型“记住事实”，那属于 RAG 职责。资料未提供具体价格、平台支持范围与性能数据。