用途：用于在 SAP HANA Cloud 的原生向量引擎上构建 RAG（检索增强生成）应用，涵盖 REAL_VECTOR 列类型、SQL 函数 VECTOR_EMBEDDING(text, model)（内联调用 AI Core 嵌入）以及余弦相似度检索，也提供 Python 客户端方案。
建表与索引：典型结构为 DOCS 表含 ID、TEXT、METADATA（JSON）与 EMBEDDING REAL_VECTOR(1536)（维度取决于所选嵌入模型）。可用 CREATE HNSW VECTOR INDEX ... SIMILARITY FUNCTION COSINE_SIMILARITY 创建余弦 HNSW 索引。
前置准备：需先运行 sap-hana-data-prep，产出 prepared/chunks.jsonl 与 prepared/ingestion-contract.yaml（确认 target_shape: hana_vector、embedding_model、pii_handling）；若契约缺失或 target_shape 不是 hana_vector，应退回该步骤。
入库与查询：SQL 方式用 INSERT ... VECTOR_EMBEDDING(?, 'AICORE', 'text-embedding-3-large')；Python 方式用 langchain_hana 的 HanaDB 与 gen_ai_hub 的 OpenAIEmbeddings，通过 add_texts 入库，similarity_search_with_score 或 SQL 的 COSINE_SIMILARITY 查询。
限制与坑：维度不匹配会导致 INSERT 失败；超过约 1 万行无 HNSW 索引会变慢，建议批量导入后再建索引；混用嵌入模型且不重建索引会静默降低质量；嵌入模型与区域可用性相关，China、KSA、NS2 对 text-embedding-3-large 有约束，应先运行 recipes/00-develop/00-region-preflight/ 并参考 sap-sovereign-regions，必要时换用多语言 SAP 托管嵌入。验证可检查 EMBEDDING 非空计数大于 0，且余弦得分落在 (0, 1)。