用途：用于构建检索增强生成（RAG）系统，串联索引、检索与生成三个阶段。索引流程为加载→切分→嵌入→存储；检索流程为查询→嵌入→搜索→返回文档；生成流程为文档加查询→LLM→响应。
主要能力：文档加载器可从文件、网页、数据库摄取数据，示例含 PyPDFLoader、WebBaseLoader、DirectoryLoader；文本切分器用 RecursiveCharacterTextSplitter 将文档切块，可配置 chunk_size、chunk_overlap 与分隔符层级；嵌入将文本转为向量，示例使用 OpenAIEmbeddings（text-embedding-3-small）；向量存储支持 InMemory（测试，仅内存）、FAISS（本地高性能，磁盘）、Chroma（开发，磁盘）、Pinecone（生产托管，云端）；检索支持相似度搜索、带分数搜索与元数据过滤，并可配置 k 值与 MMR 等算法；还可将检索封装为工具供智能体调用。
使用方式：按示例顺序加载文档、切分、创建嵌入并存入向量库、创建 retriever、拼接上下文后调用 ChatOpenAI（gpt-4.1）生成回答。持久化示例包括 Chroma 的 persist_directory 与 FAISS 的 save_local/load_local（加载需 allow_dangerous_deserialization=True）。
适用场景：需要基于自有文档、网页或数据库内容进行问答与检索增强生成的开发场景。
限制：嵌入维度由模型决定，不可配置；同一向量库不能混用不同模型的嵌入；索引与查询须使用同一嵌入模型；维度需与索引匹配；chunk_size 建议 500-1500，overlap 建议为 chunk 的 10-20%；内存向量库重启后数据丢失。资料未提供收费、价格与平台支持等细节。