用途：指导在 Redis 中存储和搜索嵌入向量，适用于用 FT.CREATE 定义 VECTOR 字段、用 RedisVL IndexSchema 建索引、为向量查询添加类别/日期/租户过滤，以及搭建基于 Redis 的 RAG 检索管线。该技能建立在 redis-query-engine 之上，向量字段位于 RQE 索引内，复用同一套 FT.CREATE / FT.SEARCH 机制。
索引配置：三项必须与嵌入模型匹配——DIM（模型输出维度，如 OpenAI text-embedding-3-small 为 1536，不匹配会产生静默错误结果）、DISTANCE_METRIC（归一化文本嵌入常用 COSINE，未归一化用 IP，原始欧氏用 L2）、TYPE（通常 FLOAT32，仅在内存为硬约束时用 FLOAT16 或量化变体）。
算法选择：HNSW 速度快、近似、召回约 95% 以上可调、内存较高，适合大于 1 万向量且对延迟敏感的场景；FLAT 精确但较慢、内存较低，适合小于 1 万且要求精确的场景。生产规模默认 HNSW，可调参数 M（16–64）、EF_CONSTRUCTION（100–500）、EF_RUNTIME。
混合检索：先用 TAG/NUMERIC 属性过滤缩小搜索空间再做向量比较，不要先取宽结果集再客户端过滤。文本与向量融合需 Redis ≥ 8.4 与 redis-py ≥ 7.1 的 HybridQuery，旧版用 AggregateHybridQuery。
RAG 模式：嵌入用户查询 → Redis 向量检索 → 将 top-K 上下文传给 LLM。实践建议：度量与模型匹配（现代文本嵌入多配 COSINE）、长文档先切块（200–500 token）、批量插入用 index.load([...])、检索前按属性预过滤。
限制：具体性能数值、价格与平台支持等资料未提供。