用途：为知识图谱设计嵌入策略，将语义（基于文本）与结构（基于图）信息在节点、边、路径、子图、社区等粒度上融合，服务于实体检索、链接预测、问答、节点分类、推荐、子图匹配等下游任务。
主要能力：提供七步工作流——盘点可用特征与数据源；明确任务需求与成功指标（如 MRR、Hits@K、F1、延迟预算）；选择嵌入粒度；选择语义嵌入方法（LLM 编码器、Sentence-BERT、基于邻域文本描述等）；选择结构嵌入方法（Node2Vec、DeepWalk、GraphSAGE、位置编码等）；设计融合策略；输出嵌入策略规范。
融合方式：拼接（v_fused = [v_semantic; v_structural]）、基于注意力的加权融合、对比对齐（如 InfoNCE）、后期融合/重排序（双编码器召回加交叉编码器精排）、多向量表示（每实体保留多个嵌入，用 max-sim 或注意力池化匹配）。
使用方式：按清单逐步推进，参考 resources/methodology.md、resources/embedding-catalog.md 与 resources/evaluators/rubric_embedding_strategy.json 自评，最低标准为平均分不低于 3.0；最终按输出模板记录维度、训练流程、索引策略与更新机制。
适用场景：需要同时利用文本语义与图拓扑的检索、推理与分类任务，尤其是多粒度组合（如节点嵌入召回加子图嵌入重排）的场景。
限制：资料未提供具体模型版本、参数取值、性能数据、收费与平台信息；实际效果取决于数据与任务，需自行评估与监控嵌入漂移。