用途：构建基于外部知识的 RAG 应用，让 LLM 给出有据可依的回答，减少幻觉，并支持专有文档问答、事实型聊天机器人、自然语言语义搜索、文档助手与带来源引用的研究工具。
主要能力与组件：
- 向量数据库用于存储和检索文档嵌入，资料列出 Pinecone（托管、可扩展、无服务器）、Weaviate（开源、混合搜索、GraphQL）、Milvus（高性能、本地部署）、Chroma（轻量、易用、适合本地开发）、Qdrant（快速、支持过滤、基于 Rust）、pgvector（PostgreSQL 扩展、集成 SQL）。
- 嵌入模型将文本转为向量，资料列出 voyage-3-large、voyage-code-3、text-embedding-3-large、text-embedding-3-small、bge-large-en-v1.5、multilingual-e5-large 及其维度与适用场景。
- 检索策略：稠密检索、稀疏检索（BM25、TF-IDF）、混合搜索（加权融合）、多查询、HyDE。
- 重排序：交叉编码器（如 ms-marco-MiniLM）、Cohere Rerank、最大边际相关性（MMR）、基于 LLM 的相关性打分。
使用方式：资料给出基于 LangGraph 的快速开始示例，包含初始化 LLM、嵌入、Pinecone 向量库与检索器，定义 RAG 提示模板，编写 retrieve 与 generate 节点，用 StateGraph 串联 START→retrieve→generate→END 并编译调用。更详细的模式与示例见 references/details.md。
适用场景：需要基于自有或领域知识、且希望回答可溯源、减少幻觉的问答与搜索类应用。
限制：资料未提供具体价格、性能基准、部署步骤或平台兼容性说明；示例中的模型与库版本需按实际环境核对。