专门用于存储和检索高维向量（embedding）。它在 RAG（检索增强生成）、图像搜索、推荐系统等场景中负责"语义相似度检索"。是 LangChain 对 Milvus 的封装，但它内部同时依赖。**（搜索时设置）：搜索时探查的桶数。，在 pymilvus 2.5+ 中存在连接别名不匹配的问题。**（HNSW）：每个节点的连接数，默认 16。**（HNSW）：建图深度，默认 256。**（IVF

*Branch(分支)**：一条独立的历史线，可以并行开发互不干扰。**Commit(提交)**：一次快照，包含本次改动的内容和说明。**Merge(合并)**：把两个分支的改动合到一起。7.2 场景：提交错了，想修改最后一次 commit。7.5 场景：远程有更新，本地有未提交的改动。始终保持可部署状态，永远是可以用的代码。7.4 场景：想把多个小提交合并成一个。7.6 场景：想看看某次提交改了

- 用户提问时,用同样的 embedding 模型把问题转为向量,检索最相似的 chunk,交给 LLM 生成回答。当前项目进度: 基础 RAG + 混合检索(向量+BM25) + RRF融合 + Agent 问答。: 擅长"精确关键词匹配" -- "qwen3.5" 精确匹配包含该词的文档。k 通常取 60,作用是降低排名差异的影响(第1名和第2名的差距不要太大)。: 擅长"语义相近但用词不同"