用途：在 Python 中用 LangChain 1.0 构建和查询向量存储，避免检索质量在换库或换模型后静默下降。
主要能力：
- 嵌入初始化与维度断言，防止插入时才报维度不匹配（P14）。
- 向量库选型对比：FAISS 用 L2 距离（越低越相似），Chroma、PGVector、Pinecone 用余弦相似度（越高越相似）。
- 评分归一化：在检索边界把各库原始分数统一到 [0,1]，使阈值过滤跨后端含义一致（P12）。
- 语言感知分块：用 from_language(Language.MARKDOWN/PYTHON) 避免在代码围栏内截断（P13）；含表格 PDF 改用 PyMuPDFLoader 或 UnstructuredPDFLoader（P49）。
- 混合检索：BM25 与向量检索经 EnsembleRetriever 加权组合，弥补纯向量对 SKU、错误码、函数名等精确匹配的不足。
- 重排：Cohere/Jina 重排分数为查询内相对值，应按排名取 top-k，而非按阈值过滤（P15）。
使用方式：需 Python 3.10+，langchain-core 与 langchain-community 1.0.x，按需安装 langchain-openai、faiss-cpu 或 langchain-pinecone，并配置 OPENAI_API_KEY、PINECONE_API_KEY。典型流程为初始化嵌入并断言维度、创建向量库、归一化分数、分块、混合检索、按排名重排。
适用场景：本地开发、多用户持久化、已有 Postgres、超百万向量多租户等 RAG 检索管线。
限制：换嵌入模型属于迁移，需回填索引；多租户需用命名空间或行级安全并按请求构造检索器；WebBaseLoader 可能因默认 User-Agent 被拦截（P50）；空文档需先过滤。具体价格、性能数据与完整代码示例暂未提供。