用途：RAG Architect 面向生产级检索增强生成（RAG）系统的设计与实现，按需求分析、向量库设计、分块策略、检索管线、评估迭代五步推进，每步设有检查点，验证后再继续。
主要能力：提供向量数据库（Pinecone、Weaviate、Chroma、pgvector、Qdrant）对比、嵌入模型选择与微调、分块策略、检索优化（混合搜索、重排序、查询扩展、过滤）以及 RAG 评估等参考文档，并给出分块、嵌入与索引、混合搜索、重排序、检索评估的实现示例。
使用方式：按上下文加载对应参考文件；示例包括用 RecursiveCharacterTextSplitter 分块并校验 source 元数据，用 OpenAI 嵌入与 Qdrant 建集合、以确定性 ID 幂等写入，用向量加 BM25 与倒数排名融合做混合搜索，用 Cohere 重排序，用 Ragas 计算 context_precision、context_recall、faithfulness、answer_relevancy。API 密钥从环境变量或密钥管理器读取，不得写入源码。
适用场景：需要多租户或领域过滤、混合检索、重排序与检索指标监控的 RAG 生产系统。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；约束要求不得盲目使用默认分块大小 512、不得跳过元数据增强、不得只关注 LLM 输出质量而忽略检索指标、不得将嵌入模型与业务代码紧耦合。