用途：该技能用于构建检索增强生成（RAG）系统，通过检索外部文档为生成结果提供依据，适用于对自定义文档做问答、实现语义搜索、搭建向量数据库以及优化检索质量。
主要能力与参数：调用时可传入参数。task（字符串，必填）为 RAG 目标；vector_db（枚举，可选）支持 pinecone、weaviate、chroma、pgvector，默认 chroma；embedding_model（字符串，可选）默认 text-embedding-3-small；chunk_size（整数，可选，单位为字符）默认 1000。
使用方式：典型流程为切分文档、创建向量存储、检索。示例使用 RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) 切分文档，用 OpenAIEmbeddings(model="text-embedding-3-small") 生成嵌入，并用 Chroma.from_documents(chunks, embeddings) 建立向量库，再以 vectorstore.similarity_search("query", k=5) 检索。
切分策略：技术文档建议 500-800 字符、重叠 100，以保留代码；法律文档 1000-1500、重叠 200，以保留条款；问答/FAQ 200-400、重叠 50，形成原子答案。
嵌入成本：资料列出 text-embedding-3-small 为 $0.02/1M tokens，text-embedding-3-large 为 $0.13/1M tokens，Cohere embed-v3 为 $0.10/1M tokens。
常见问题处理：结果不相关时改进切分并加入重排序；上下文缺失时增大 k 或使用父级检索器；出现幻觉时加入“仅使用上下文”的提示；检索过慢时增加缓存并减小 k。
最佳实践：始终包含来源归属，使用稠密检索与 BM25 的混合搜索，实现重排序以提升质量，并用 RAGAS 指标评估。相关技能包括 llm-integration、agent-memory、ai-agent-basics。限制方面，资料未提供完整部署步骤、各向量库的具体配置细节以及实际效果数据。