用途：RAG Architect 面向需要构建生产级检索增强生成（RAG）系统的开发者，提供从需求分析到评估迭代的完整设计流程与实现参考。
主要能力：核心工作流包括需求分析（检索需求、延迟约束、准确率、规模）、向量库设计（数据库选型、schema、索引、分片）、分块策略（切分、重叠、语义边界、元数据增强）、检索管线（嵌入选择、查询改写、混合搜索、重排序）以及评估与迭代（指标跟踪、检索调试、持续优化）。每个步骤都设有检查点，需验证后再继续。
参考文档：按上下文加载 references/vector-databases.md（比较 Pinecone、Weaviate、Chroma、pgvector、Qdrant）、references/embedding-models.md（嵌入选择、微调、维度权衡）、references/chunking-strategies.md、references/retrieval-optimization.md（混合搜索、重排序、查询扩展、过滤）、references/rag-evaluation.md（指标、评估框架、检索调试）。
使用方式：资料给出分块、嵌入与索引、混合搜索（向量+BM25，RRF 融合）、重排序（Cohere）和评估（Ragas）的示例代码，涉及 langchain、openai、qdrant_client、rank_bm25、cohere、ragas 等库；API 密钥应从环境变量或密钥管理器读取，不得提交到源码。
适用场景：多租户或领域特定的检索系统、需要混合搜索与重排序的生产 RAG、需要检索质量指标（precision@k、recall@k、MRR、NDCG）与嵌入版本迁移规划的项目。
限制：资料未提供安装命令、价格、平台支持范围或具体性能数据；示例中的参数（如 chunk_size=800、阈值 context_precision>=0.7）需在自有领域数据上评估后使用，不应盲目照搬。