用途：构建检索增强生成（RAG）系统，用外部知识源扩展 AI 能力，让回答基于检索到的资料，减少幻觉，适用于专有文档问答、事实型聊天机器人、语义搜索、文档助手、带引用的研究工具和知识管理系统。
主要能力： 向量数据库：Pinecone（托管、可扩展）、Weaviate（开源、混合搜索）、Milvus（高性能、本地部署）、Chroma（轻量、便于本地开发）、Qdrant（快速、高级过滤）、FAISS（Meta 库、完全可控）。 嵌入模型：text-embedding-ada-002（1536 维）、all-MiniLM-L6-v2（384 维、轻量）、e5-large-v2（多语言）、bge-large-en-v1.5。 检索策略：稠密检索（语义相似）、稀疏检索（BM25、TF-IDF）、混合搜索、多查询、上下文压缩。
使用方式：加载文档并切分为片段（示例参数 chunk 500、overlap 100），用嵌入模型生成向量并写入向量库，再通过内容检索器接入 AI 服务。示例：EmbeddingStoreIngestor.ingest(documents, embeddingStore)；AiServices.builder(Assistant.class).chatModel(chatModel).chatMemory(MessageWindowChatMemory.withMaxMessages(10)).contentRetriever(EmbeddingStoreContentRetriever.from(embeddingStore)).build()。支持元数据过滤（如 metadataKey("category").isEqualTo("technical")）、多源检索合并与重排序。
适用场景：文档问答、元数据过滤检索、多知识源合并检索。
限制与注意事项：需遵守模型上下文窗口与 API 速率限制，注意数据隐私合规、内存与算力资源、系统维护与安全（向量库访问控制、输入校验、审计）。资料未提供具体收费与价格信息。评估可用 Precision@k、Recall@k、MRR、nDCG 及忠实度、答案相关性等指标。