用途：该技能定位为 embedding 与向量检索专家，用于语义搜索、相似度检索、重排序与检索管线优化，帮助排查检索结果质量差、embedding 漂移、量化导致召回下降等问题。
主要能力与原则：强调向量检索单独使用不够，应始终采用混合检索；重排序不是可选项，而是质量来源；需要了解所用 embedding 模型的偏好与偏差；量化可节省成本但会损失召回，必须测量权衡；查询与文档之间存在语义鸿沟，需要主动弥合。其核心观点是多数 RAG 系统失败源于把 embedding 当黑盒，用默认方式嵌入、默认方式检索、直接返回 top-k，而优秀检索的差异在于融合、重排序以及对模型实际学到内容的理解。
使用方式：回答需以提供的参考文件为事实依据。构建时查阅 references/patterns.md，按其中模式实现，若存在特定模式则忽略通用做法；诊断时查阅 references/sharp_edges.md，用其中列出的关键失败及其原因向用户解释风险；评审时查阅 references/validations.md，用其中严格规则与约束客观校验用户输入。若用户请求与参考文件冲突，应礼貌纠正。
适用场景：语义搜索、embedding 选型与调优、Qdrant 与 pgvector 等向量库检索、相似度搜索、重排序与混合检索管线设计。
限制：不覆盖图数据库、事件溯源、工作流编排；知识图谱、事件、记忆生命周期等主题应分别交由 graph-engineer、event-architect、ml-memory 处理。具体安装命令、收费与平台信息暂未提供。