用途：该技能面向使用 DSPy 构建语义检索的场景，在应用自有文本语料上，通过 dspy.Embedder 与 dspy.Embeddings 实现相似度检索，并可作为 RAG 流程的检索组件。
主要能力：支持托管嵌入模型（示例为 openai/text-embedding-3-small）和自定义本地嵌入 callable（接收 list[str] 并返回二维数值数组，例如 SentenceTransformer 的 encode）；返回结果包含 passages 与 indices。使用 dspy.EmbeddingsWithScores 可获得相似度分数，便于设置阈值或重排序。当语料规模达到或超过 brute_force_threshold 默认值 20_000 时，DSPy 会构建 FAISS 索引，需先安装：pip install faiss-cpu。支持索引持久化以复用昂贵的嵌入：search.save("./retrieval-index") 与 dspy.Embeddings.from_saved("./retrieval-index", embedder=embedder)。
使用方式：定义语料 corpus，创建 embedder，再创建 dspy.Embeddings(corpus=corpus, embedder=embedder, k=2) 并调用检索。在 RAG 中可封装为 dspy.Module，forward 内先检索得到 context，再交给 dspy.ChainOfThought 等模块生成答案。
适用场景：自有语料上的语义搜索、RAG 检索层、需要相似度分数做过滤或重排序的流程。
限制与建议：大语料启用 FAISS 前应测量内存与延迟；语料切分需保持确定性与版本化；建议将检索质量与答案质量分开评估；索引昂贵时应持久化。安装、版本、平台与费用等细节资料暂未提供。