用途：该技能面向向量数据库与检索系统设计，帮助构建语义搜索、推荐引擎和 LLM 知识增强（RAG）系统，覆盖嵌入选择、索引策略、分块、混合检索与生产部署。
主要能力与原则：按领域和检索任务选择嵌入模型，通用模型适合广泛场景，领域微调嵌入可提升专业内容召回；距离度量需匹配嵌入训练目标，归一化嵌入用余弦相似度，关注量级用点积，空间距离用 L2；分块大小直接影响检索质量，过大稀释相关性，过小丢失上下文；索引选择在速度、内存与召回间权衡，需了解 HNSW、IVF 与 flat 索引特性；生产系统应结合稠密向量与稀疏关键词检索（混合检索）。
技术要点：可用 OpenAI text-embedding-3-small、Cohere embed-v3 或开源 sentence-transformers（all-MiniLM-L6-v2、BGE、E5）生成嵌入；HNSW 索引可配置 M（每节点连接数，通常 16-64）与 efConstruction（构建质量，通常 100-200），值越高召回越好但内存与构建时间增加；分块可采用固定大小加重叠（如 512 token 加 50 token 重叠）、按段落或章节的语义分块，或尊重文档结构的递归切分；混合检索可同时执行向量相似度与 BM25/关键词查询，再用 RRF 或 Cohere Rerank、交叉编码器重排序；可用元数据（日期、类别、权限）在查询时过滤，多数向量库支持预过滤或后过滤；RAG 流程包括查询嵌入、检索 top-k、可选重排序、带来源引用的上下文组装与 LLM 生成。
常见模式：父子检索（嵌入小块精确匹配，返回较大父文档作为上下文）、多向量表示（标题、摘要、全文分别嵌入）、上下文检索（在嵌入前为每个块前置文档级摘要或元数据）、评估流程（用 precision@k、recall@k、NDCG 衡量检索质量）。
限制与注意：不要未经基准测试就对所有场景使用同一嵌入模型；索引前需预处理文档，去除样板、规范空白，并将表格与代码块作为结构化内容处理；生产 RAG 不应跳过重排序；不要只存向量而丢失原文与元数据，否则无法组装上下文、调试与审计。具体安装命令、收费与平台支持暂未提供。