用途：在 Neo4j 中设置向量索引、运行向量相似度搜索（语义/最近邻查询）、在数据摄取流程中把嵌入存储到图节点上，以及选择相似度函数（cosine 或 euclidean）与嵌入维度。
主要能力：创建节点属性上的向量索引；使用新版 SEARCH 子句（Neo4j 2026.02.1+，支持索引内元数据过滤）或旧版 db.index.vector.queryNodes() 过程（2025.x）执行向量搜索；用图遍历对向量结果做后置过滤。
使用方式：先运行 CALL dbms.components() YIELD versions RETURN versions[0] AS neo4j_version 判断语法版本。创建索引示例：CREATE VECTOR INDEX chunk_embedding IF NOT EXISTS FOR (c:Chunk) ON (c.embedding) OPTIONS { indexConfig: { vector.dimensions: 1536, vector.similarity_function: 'cosine' } }。创建后需用 SHOW INDEXES 验证 state 为 ONLINE 且 vector.dimensions 与嵌入模型一致。摄取时校验嵌入维度，例如 assert len(embedding) == expected_dim。
适用场景：语义检索、最近邻查找、将嵌入写入图节点。
限制：GraphRAG 管道（retrieval_query、HybridCypherRetriever）应使用 neo4j-graphrag-skill；全文/关键词搜索应使用 neo4j-cypher-skill；GDS 节点嵌入（FastRP、Node2Vec）应使用 neo4j-gds-skill。维度不匹配会导致静默错误结果；模型或维度变更时需删除并重建索引并重新生成所有嵌入。当前内容为占位草稿，参考文件待补充。