Semantic Search

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。

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。

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。

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。

azure-search-documents-ts 讓後端開發者能用 @azure/search-documents SDK 建立 Azure AI Search 解決方案。可用於索引建立、文件上傳，以及關鍵字、向量、混合與語意搜尋，並涵蓋認證與環境設定。這是一份面向後端開發的實用 azure-search-documents-ts 指南。

azure-search-documents-py 是 Python 版的 Azure AI Search 技能，適合後端開發，涵蓋安裝、驗證、索引設計、向量搜尋、混合搜尋、語意排序與 agentic retrieval。當你需要從環境設定一路到可運作的查詢模式的實作指引時，適合使用 azure-search-documents-py 技能。

azure-search-documents-dotnet 是 Azure AI Search 的 .NET 技能。它能協助後端開發者挑選合適的用戶端、安裝 SDK，並套用 azure-search-documents-dotnet 的用法，完成全文、語意、向量與混合搜尋，且對索引、查詢與驗證提供清楚指引。