用途：面向语义搜索、RAG 检索、推荐引擎等场景，提供在生产系统中实现高效相似度搜索的模式与代码模板。适用时机包括构建语义搜索、实现最近邻查询、优化检索与搜索延迟、扩展到百万级向量，以及组合语义与关键词搜索。
主要能力：核心概念部分介绍距离度量（余弦、欧氏 L2、点积、曼哈顿 L1）及其适用场景；索引类型对比 Flat（精确）、HNSW（基于图）、IVF+PQ（量化），并给出搜索复杂度与召回率区间。模板部分给出四种向量库实现：Pinecone（索引创建、批量 upsert、带元数据过滤的查询、结合 CrossEncoder 的重排序、按 ID 或过滤条件删除）、Qdrant（集合创建与标量量化配置、upsert、带过滤与分数阈值的检索、稠密+稀疏混合检索）、pgvector（CREATE EXTENSION、建表、HNSW 索引、异步 upsert、向量检索、向量与全文的混合检索）、Weaviate（schema 管理、批量导入、向量检索、BM25 与向量混合检索）。
使用方式：资料给出的是 Python 代码模板，涉及 pinecone、qdrant_client、asyncpg、weaviate、sentence_transformers 等库；示例包含维度默认值（如 1536）、批大小（如 100）、HNSW 参数（m=16、ef_construction=64）等，可按需调整。pgvector 示例使用 SQL 语句 CREATE EXTENSION IF NOT EXISTS vector。
限制：资料未说明具体安装命令、版本要求、性能基准、收费标准或部署步骤，这些暂未提供；示例中的后端地址、云端区域、模型名称与权重为演示值，实际使用需依环境替换。