用途：构建基于外部知识的 RAG 应用，让 LLM 给出准确、有依据的回答，减少幻觉。适用场景包括专有文档问答、需要最新事实的聊天机器人、自然语言语义搜索、领域知识助手、文档助手与带引用的研究工具。
主要能力：涵盖向量数据库（Pinecone、Weaviate、Milvus、Chroma、Qdrant、FAISS）、嵌入模型（text-embedding-ada-002、all-MiniLM-L6-v2、e5-large-v2、Instructor、bge-large-en-v1.5）、检索策略（稠密、稀疏 BM25/TF-IDF、混合、多查询、HyDE）、重排序（Cross-Encoder、Cohere Rerank、MMR、LLM 打分）、文档分块（递归字符、Token、语义、Markdown 标题）、检索优化（元数据过滤、MMR、Cross-Encoder 重排）、RAG 提示词（上下文、引用、置信度）与评估指标（准确率、检索质量、有据性）。
使用方式：资料给出基于 LangChain 的快速开始流程——加载文档、分块、创建嵌入与向量库、构建检索链、查询并返回来源文档；并给出混合检索、多查询、上下文压缩、父文档检索等进阶模式，以及 Pinecone、Weaviate、Chroma 的配置示例。
限制：资料未提供安装命令、收费与价格、平台支持范围及具体效果数据，这些事实暂未提供；实际使用需自行准备向量数据库与嵌入模型凭据。