Embedding

vector-index-tuning 可協助調校向量搜尋索引，在延遲、召回率與記憶體使用之間取得平衡。可用來選擇索引類型、調整 HNSW 設定，並比較 RAG 工作流程中的量化選項。

similarity-search-patterns 可協助你為語意搜尋與 RAG 工作流程選擇距離度量、索引類型與混合式檢索模式。適合用來規劃正式環境中的向量搜尋取捨，平衡召回率、延遲與擴充規模。

rag-implementation 是一項實用技能，適合規劃包含向量資料庫、embeddings、檢索模式與 grounded-answer 流程的 RAG 系統。可用來比較技術堆疊選項、釐清架構決策，並為文件問答、知識助理與語意搜尋提供安裝與使用方向。

hybrid-search-implementation 技能說明如何在 RAG 與搜尋系統中，結合向量檢索與關鍵字檢索，並運用 RRF、線性融合、reranking 與 cascade 等模式。

embedding-strategies 協助你為語意搜尋與 RAG 工作流程選擇並最佳化 embedding 模型，並提供實用指引，涵蓋 chunking、模型取捨、多語內容，以及檢索評估。