用途：为向量检索与 RAG 场景选择、优化嵌入模型，并设计从文档到向量的处理流程。
主要能力：提供嵌入模型对比表（如 text-embedding-3-large 3072 维、text-embedding-3-small 1536 维、voyage-2、bge-large-en-v1.5、all-MiniLM-L6-v2、multilingual-e5-large），覆盖维度、最大 token 与适用场景；给出嵌入流水线（文档→分块→预处理→嵌入模型→向量）；提供 OpenAI 嵌入、本地 Sentence Transformers、E5 指令式嵌入、多种分块（按 token、句子、语义章节、递归字符）、领域流水线与代码嵌入、检索质量评估（precision@k、recall@k、MRR、nDCG@k）等模板。
使用方式：按任务选择模型与分块参数，批量调用嵌入接口并归一化向量，缓存结果；用评估函数对比不同模型或分块策略。示例代码保留原样，如 client.embeddings.create、SentenceTransformer(model_name, device=device)、tiktoken.get_encoding("cl100k_base")。
适用场景：RAG 模型选型、分块优化、领域微调、模型性能对比、维度压缩、多语言内容处理。
限制：不适用于与嵌入策略无关的任务；代码嵌入模板需自行提供解析器与语言语法；输出不能替代环境相关验证、测试或专家评审；缺少输入、权限、安全边界或成功标准时应先澄清。具体收费、价格与平台信息暂未提供。