用途
该技能面向 Neo4j 中的向量索引与向量相似度搜索场景，用于在节点或关系上创建向量索引、存储 embedding 并执行最近邻检索。资料给出的适用情形包括：创建向量索引（CREATE VECTOR INDEX）、运行向量相似度/最近邻搜索、在数据写入时把 embedding 存到图节点、对已由 GDS 算法写入的 embedding 建立索引并查询、选择相似度函数与维度/HNSW 参数/量化方式、使用 SEARCH 子句（2026.01+）或 db.index.vector.queryNodes()（2025.x）、模型变更后批量更新 embedding、把向量结果与图的直接邻域结合，以及把向量结果与全文等其它排序来源组合的混合搜索。
资料同时明确列出不适用情形：GraphRAG 流程（VectorCypherRetriever、HybridCypherRetriever、retrieval_query）应交给 neo4j-graphrag-skill；仅全文/关键词检索使用 FULLTEXT INDEX 与 db.index.fulltext.queryNodes；计算 GDS 图嵌入（FastRP、Node2Vec、GraphSAGE）属于 neo4j-gds-skill；索引管理（列出全部索引、删除 range/text/lookup 索引）属于 neo4j-cypher-skill。
版本前提
资料建议先确认版本：CALL dbms.components() YIELD versions RETURN versions[0] AS neo4j_version。2026.01 或更高版本使用 SEARCH 子句（支持索引内过滤，为首选）；2025.x 使用 db.index.vector.queryNodes() 过程（该过程在 2026.04 起弃用，在 2026.x 上应改用 SEARCH）。此外资料提到 Neo4j 5.11 以下不支持向量索引。
主要能力
创建索引方面，资料给出节点单标签索引、带可过滤属性的节点索引（2026.01+，用 WITH 声明可在 SEARCH WHERE 中过滤的属性）、多标签索引（2026.01+，如 FOR (n:Document|Article)）以及关系索引的写法，并给出 indexConfig 中的参数：vector.dimensions（1–4096，必填，必须与模型输出完全一致）、vector.similarity_function（'cosine' 或 'euclidean'，默认 'cosine'）、vector.quantization.type（'none'、'scalar'、'binary'）、vector.quantization.enabled（2026.06 起弃用）、vector.default_search_expansion_factor、vector.hnsw.m（默认 16）、vector.hnsw.ef_construction（默认 100）。资料说明 WITH 属性仅允许标量类型（INTEGER、FLOAT、STRING、BOOLEAN、DATE、ZONED DATETIME、LOCAL DATETIME、ZONED TIME、LOCAL TIME、DURATION），不允许 LIST、POINT 或向量属性本身。
检索方面，资料给出 SEARCH 子句与 queryNodes 过程的用法，包括带索引内 WHERE 过滤的 SEARCH 写法、后置过滤（先取 50 再过滤）写法、关系索引的 db.index.vector.queryRelationships() 写法，并列出三类过滤策略的适用场景与取舍：索引内 WHERE（属性需预先声明，延迟稳定）、后置过滤（谓词灵活，可能多取后丢弃）、前置过滤（候选集小且需子集内精确最近邻，候选集大时较慢）。资料还列出索引内 WHERE 的限制：AND 谓词、标量类型、属性须在 WITH 中声明，IN 列表成员判断自 2026.06+ 支持；并给出 SEARCH 子句的硬性限制：索引名不能是参数、绑定变量须来自外层 MATCH、查询向量不能引用该绑定变量。
资料还给出向量函数：vector.similarity.cosine/euclidean、vector_distance（2025.10+，支持 EUCLIDEAN、EUCLIDEAN_SQUARED、MANHATTAN、COSINE、DOT、HAMMING）、vector_dimension_count（2025.10+）、vector_norm（2025.20+），以及 vector() 将 LIST 转为带类型的 VECTOR。混合搜索方面，资料说明当单一信号遗漏候选时使用混合搜索，常见模式是向量 + 全文，也可用于多个向量索引或带分数的图遍历结果，规则包括各来源独立检索并按分数排序、按排名而非原始分数合并、各 UNION ALL 分支返回相同列、使用 sourceK > finalK、按节点汇总贡献后按 wrrf 排序等，具体查询形状需加载 references/hybrid-search.md。
使用方式
资料给出的典型流程为：创建索引 → 轮询 SHOW VECTOR INDEXES 直到 state = 'ONLINE' 且 populationPercent = 100.0（每 5 秒一次，若 FAILED 则停止并检查日志）→ 写入 embedding。写入时对超过 100 个节点应使用 UNWIND 批量模式，并逐条校验维度；资料强调应在写入 embedding 之前先建索引，而不是相反。资料还给出在 Cypher 内用 ai.text.embed()（2025.12，需要 CYPHER 25）在查询时生成 embedding 并立即检索的写法，并提醒不要把 API key 作为字符串字面量传入，应使用参数或 apoc.static.get()，且入库与查询必须使用同一模型。
适用场景与限制
资料给出 embedding 提供方与模型的维度参考，包括 OpenAI text-embedding-3-small（1536）、text-embedding-3-large（3072）、text-embedding-ada-002（1536）、Cohere embed-v3 英文（1024）、Voyage voyage-3-large（1024）、Google text-embedding-004（768，经 Vertex AI）、Ollama nomic-embed-text（768）与 mxbai-embed-large（1024），并说明 vector.dimensions 必须与模型输出完全一致，不会自动截断。
内存方面，资料说明向量索引文件位于操作系统文件系统缓存而非 page cache，并给出 HNSW 图与向量值的近似占用估算方式。索引管理方面，资料给出 SHOW VECTOR INDEXES 与 DROP INDEX 的用法，并说明没有 ALTER VECTOR INDEX；要更改维度或相似度函数需先删除索引、按新 OPTIONS 重建、重新生成全部 embedding 并轮询至 ONLINE。资料还列出常见错误及对应处理，例如维度不匹配、索引仍在 POPULATING、Neo4j 版本过低导致无 queryNodes 或无 SEARCH、SEARCH WHERE 不支持 OR/NOT、结果为空或分数恒为 1.0 等。关于价格、收费与具体性能承诺，资料未提供。