用途：该技能面向向量检索应用，帮助在 RAG 与语义搜索场景中选择和优化嵌入模型，并指导分块策略、领域微调、模型性能对比、维度压缩与多语言内容处理。
主要能力：提供 2026 年嵌入模型对比表，列出模型、维度、最大 token 数与适用场景，例如 voyage-3-large（1024 维、32000 token，适合 Claude 应用）、voyage-3（成本更低）、voyage-code-3（代码搜索）、voyage-finance-2（金融文档）、voyage-law-2（法律文档）、text-embedding-3-large（3072 维、8191 token，OpenAI 高精度）、text-embedding-3-small（1536 维，成本更低）、bge-large-en-v1.5（1024 维、512 token，开源本地部署）、all-MiniLM-L6-v2（384 维、256 token，快速轻量）、multilingual-e5-large（1024 维、512 token，多语言）。同时给出嵌入流水线：文档→分块→预处理→嵌入模型→向量，其中分块涉及重叠与大小，预处理涉及清洗与归一化，嵌入可走 API 或本地。
使用方式：按用途匹配模型（代码、散文或多语言）；分块时保留语义边界；做余弦相似度检索时归一化嵌入；批量请求而非逐条调用；对静态内容缓存嵌入；Claude 应用可考虑 Voyage AI。需要具体模板与完整示例时，资料指向 references/details.md。
限制与注意事项：不要忽略 token 上限，截断会丢失信息；不要混用不同嵌入模型，向量空间不兼容；不要跳过预处理；不要过度分块以免丢失上下文；不要遗漏元数据，元数据对过滤与调试很重要。资料未提供具体安装命令、收费价格与实测效果数据。