用途：为基于 LangChain4J 的检索增强生成（RAG）应用配置向量存储，覆盖语义搜索与嵌入存储场景。
主要能力：LangChain4J 提供统一的 EmbeddingStore 抽象，支持 PostgreSQL/pgvector、Pinecone、MongoDB Atlas、Milvus、Neo4j 等；支持基于构建器的配置、元数据过滤与混合搜索；支持多向量库并存（用 @Qualifier 区分不同用途的存储）；提供 EmbeddingStoreIngestor 自动处理文档切分与嵌入；支持索引类型选择（FLAT、IVF_FLAT、HNSW）与维度匹配；包含连接池（HikariCP）与健康检查、监控（MeterRegistry）等生产配置模式。
使用方式：以 Spring @Bean 方式构建 EmbeddingStore，设置 host、port、database、table、dimension 等参数；用 DocumentSplitters.recursive 切分文档并配置 EmbeddingModel；通过 EmbeddingSearchRequest 指定 queryEmbedding、maxResults、minScore 及元数据过滤条件（and、metadataKey 等）执行搜索。建议流程：配置→连接测试→维度校验→导入测试数据→试查询→再生产。
适用场景：构建语义搜索、RAG 问答、按元数据筛选检索、需要多存储隔离（如文档库与聊天历史库分离）的应用。
限制与警告：向量维度必须与嵌入模型匹配，否则报错；不同向量库对距离度量和元数据过滤的支持不一致，需验证兼容性；大批量向量集合需正确配置索引；嵌入生成成本较高，应做批处理与缓存；生产环境需连接池与资源监控；更换向量库提供商可能需重新嵌入全部文档。文档未提供具体收费与价格信息。