用途：构建基于外部知识的 RAG 系统，用于专有文档问答、事实型聊天机器人、自然语言语义搜索、带来源引用的文档与研究助手，以减少幻觉、让模型访问领域知识。
主要能力：覆盖向量数据库（Pinecone、Weaviate、Milvus、Chroma、Qdrant、FAISS）、嵌入模型（text-embedding-ada-002、all-MiniLM-L6-v2、e5-large-v2、Instructor、bge-large-en-v1.5）、检索策略（稠密、稀疏 BM25/TF-IDF、混合、Multi-Query、HyDE）、重排序（Cross-Encoder、Cohere Rerank、MMR、LLM 打分），并提供分块策略、向量库配置、元数据过滤、提示词模板与评估指标。
使用方式：用 LangChain 加载文档、切分块、生成嵌入并写入向量库，再构建检索链查询，例如 RetrievalQA 与 vectorstore.as_retriever(search_kwargs={"k": 4})；也可组合 BM25Retriever 与 EnsembleRetriever 做混合检索，或用 MultiQueryRetriever、ContextualCompressionRetriever、ParentDocumentRetriever 等模式。
限制：具体收费、价格、平台支持与效果未提供；示例仅作参考，需按实际环境调整，且不应改动代码内容。