RAG系统成功关键在于稳定检索链路和科学工程管理：需建立严格的文档处理管线（去重带版本控制、按类型分块、元数据过滤），选择适配业务场景的多路融合方案（向量检索+BM25字面检索结合RRF/权重融合再经MMR补多样性），存储层面根据规模选型（ Milvus应对百万级大数据量，Chroma适合原型验证），引入知识图谱解决复杂关联问题。工程实践需三重保险：1）前置人工质检（文档入库审核与生成答案终审）2）构建可复现评估矩阵（检索用Hit@k/Recall@k，生成用pass@k+忠实度指标）3）建立GEO优化规范（结构化内容设计引用兼容性）。落地防坑：存储不要塞入原文大字段、BM25需自定义词典匹配业务语料、索引参数必须压测验证性能，避免因擅自迁移线上环境导致查询失败。

本文探讨Embedding数据库选型建议与核心注意事项。Chroma适合单机原型，pgvector适配已有PostgreSQL生态，Qdrant适用于中小规模部署且运维成本低，Milvus在数据量增长且需量化存储时表现突出。内存不足时建议先采用SQ8索引降低内存压力，后续可升级mmap机制。需注意批量写入导致的Segment合并问题，建议错峰或控制单次写入量。特别强调Embedding模型与数据库应分离部署，中文业务需在自有数据集验证召回效果，数据敏感时选择BGE/Qwen本地部署方案。运维复杂度、数据增长性、现有生态兼容性是选型核心维度，模型训练与数据库存储需独立实施并依据具体业务场景权衡技术方案。