Embedding

vector-index-tuning 可帮助优化向量检索索引，在延迟、召回率与内存占用之间取得平衡。可用于选择索引类型、调整 HNSW 参数，并比较适用于 RAG 工作流的量化方案。

similarity-search-patterns 可帮助你为语义搜索和 RAG 工作流选择合适的距离度量、索引类型与混合检索模式。适合用于规划生产级向量搜索在召回率、延迟和规模之间的取舍。

rag-implementation 是一项面向实践的技能，可用于规划包含 vector databases、embeddings、retrieval patterns 与 grounded-answer workflows 的 RAG 系统。你可以用它比较技术栈方案、明确架构决策，并指导 document Q&A、knowledge assistants 和 semantic search 场景下的安装与使用选择。

hybrid-search-implementation 技能说明如何将向量检索与关键词检索结合，并使用 RRF、线性融合、重排和级联等模式，用于 RAG 和搜索系统。

embedding-strategies 帮助你为语义搜索和 RAG 工作流选择并优化 embedding 模型，提供关于分块策略、模型取舍、多语言内容处理和检索评估的实用指导。