用途：在构建任何检索增强生成（RAG）系统时调用该技能，覆盖从文档加载到生成回答的完整链路。
主要能力：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→回答。组件包括文档加载器（文件、网页、数据库）、文本切分器、嵌入模型、向量存储。向量存储可选 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）。
使用方式：以 Python 为例，先构造 Document，再用 RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) 切分，用 OpenAIEmbeddings(model="text-embedding-3-small") 生成嵌入并存入 InMemoryVectorStore.from_documents，通过 as_retriever(search_kwargs={"k": 4}) 创建检索器，最后用 ChatOpenAI(model="gpt-4.1") 结合检索上下文生成回答。TypeScript 对应使用 @langchain/openai、@langchain/classic/vectorstores/memory、@langchain/textsplitters 等包。加载器示例包括 PyPDFLoader、WebBaseLoader、DirectoryLoader。检索支持 similarity_search_with_score 与 metadata filter。还可将检索封装为工具交给 create_agent 使用。
限制：可配置分块大小与重叠、嵌入模型、返回数量 k、元数据过滤、相似度与 MMR 搜索算法；不可配置嵌入维度（由模型决定），也不能在同一存储中混用不同模型的嵌入。分块建议 500-1500 字符，重叠为分块大小的 10-20%。应使用持久化向量存储避免重启丢失数据，索引与查询须使用同一嵌入模型，FAISS 本地加载需 allow_dangerous_deserialization=True，并确保嵌入维度与索引维度一致。