用途：构建生产可用的语义搜索与检索增强生成（RAG）系统，涵盖向量数据库选型、文本嵌入与检索排序。
主要能力与原则：
- 默认混合检索：纯向量检索会漏掉精确匹配，需将稠密（向量）检索与稀疏（BM25/关键词）检索结合，并用倒数排名融合（RRF），同时处理语义查询与精确查询。
- 分块决定质量：分块差则召回差；建议语义分块，保留上下文（约200-300词），保持章节完整与层级结构；过小丢上下文，过大稀释相关性。
- 二阶段重排序提升精度：第一阶段检索范围放宽，再用交叉编码器重排序器（Cohere Rerank、Jina、Pinecone）作为第二阶段，可在送入 LLM 前提升相关性最高约48%。
- 嵌入模型匹配场景：资料称 Voyage-3 在检索基准上平均优于 OpenAI 9.74%；text-embedding-3-small 可靠且便宜（$0.02/1M tokens）；代码或多语言场景可用专用嵌入（如 Voyage-code）。
使用方式：回答需以参考文件为准。创建时查阅 references/patterns.md，按其中模式构建；诊断时查阅 references/sharp_edges.md，解释关键失败及其原因；评审时查阅 references/validations.md，按其中严格规则客观校验用户输入。若用户请求与参考文件冲突，应礼貌纠正。
适用场景：语义检索、RAG 检索层设计、向量库选型与检索质量优化。
限制：官方文本未提供，具体向量数据库清单、安装命令、API 调用示例、定价细节、平台支持与效果数据暂未提供；除已提及内容外，不得推定其他功能或收费情况。