用途：构建基于外部知识源的检索增强生成（RAG）应用，使 LLM 回答更准确、有依据，降低幻觉。适用场景包括专有文档问答系统、需要最新事实信息的聊天机器人、自然语言语义搜索、领域知识接入、文档助手和带来源引用的研究工具。不适用场景：只需纯生成式写作、数据集过小不值得做嵌入、或无法安全存储和处理源数据。
主要能力：涵盖 RAG 核心组件——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、混合、多查询、HyDE）、重排序（交叉编码器、Cohere Rerank、MMR、基于 LLM 打分）。同时涉及文档分块（递归字符、基于 token、语义、Markdown 标题拆分）、向量库配置、元数据过滤、检索结果压缩、父子文档检索、RAG 提示词工程（带引用、带置信度）以及评估指标（准确率、检索质量、有据性）。
使用方式：以 LangChain 为例，加载文档、分块、生成嵌入并建立向量库，再构建检索问答链并查询。示例片段：loader = DirectoryLoader('./docs'); text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200); vectorstore = Chroma.from_documents(chunks, embeddings); qa_chain = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=vectorstore.as_retriever(search_kwargs={"k": 4}), return_source_documents=True)。
重要限制：需先定义语料、更新频率和评估目标；根据规模选择嵌入模型与向量库；对敏感数据脱敏并实施访问控制；受限文档不应出现在回答中；需持续评估检索质量、监控漂移。具体定价、平台支持与效果数据暂未提供。