先看"变坐标"这一半。整个抽象在 libs/core/langchain_core/embeddings/embeddings.py:8，出奇地小：

# libs/core/langchain_core/embeddings/embeddings.py:8
class Embeddings(ABC):
    """Interface for embedding models. ..."""

    @abstractmethod
    def embed_documents(self, texts: list[str]) -> list[list[float]]:   # :37
        """Embed search docs."""                                        # 一批文档 → 一批向量

    @abstractmethod
    def embed_query(self, text: str) -> list[float]:                    # :48
        """Embed query text."""                                         # 一个问题 → 一个向量

    async def aembed_documents(self, texts: list[str]) -> list[list[float]]:  # :58
        return await run_in_executor(None, self.embed_documents, texts)  # 默认：丢线程池跑同步版

    async def aembed_query(self, text: str) -> list[float]:             # :69
        return await run_in_executor(None, self.embed_query, text)

"档案馆"这一半在 libs/core/langchain_core/vectorstores/base.py:43。类很大（一千多行），但骨干方法就这几个：

其中 add_documents 的默认实现（base.py:234）体现了"Document 只是 text+metadata 的壳"：它拆出 page_content 和 metadata 转调 add_texts。而 as_retriever 的实现只有两行（base.py:960-961）：

# libs/core/langchain_core/vectorstores/base.py:960
tags = kwargs.pop("tags", None) or [*self._get_retriever_tags()]
return VectorStoreRetriever(vectorstore=self, tags=tags, **kwargs)   # 明天 Day12 拆它

core 自带一个"教学级但可用于生产小数据"的实现：InMemoryVectorStore（libs/core/langchain_core/vectorstores/in_memory.py:34）。它的"仓库"就是一个普通字典（in_memory.py:169：self.store: dict[str, dict[str, Any]] = {}）。看入库 add_documents（in_memory.py:188）：

# libs/core/langchain_core/vectorstores/in_memory.py:188
def add_documents(self, documents, ids=None, **kwargs) -> list[str]:
    texts = [doc.page_content for doc in documents]           # ① 取出纯文本
    vectors = self.embedding.embed_documents(texts)           # ② ★批量算向量（调 Embeddings 接口）

    if ids and len(ids) != len(texts):
        raise ValueError(...)                                 #    ids 数量必须对得上

    id_iterator = iter(ids) if ids else iter(doc.id for doc in documents)
    ids_ = []
    for doc, vector in zip(documents, vectors, strict=False):
        doc_id = next(id_iterator)
        doc_id_ = doc_id or str(uuid.uuid4())                 # ③ 没给 id 就发一个 uuid
        ids_.append(doc_id_)
        self.store[doc_id_] = {                               # ④ ★存进字典：一条记录四个字段
            "id": doc_id_,
            "vector": vector,                                 #    坐标
            "text": doc.page_content,                         #    原文
            "metadata": doc.metadata,                         #    元数据（来源、页码…）
        }
    return ids_

检索的心脏是 _similarity_search_with_score_by_vector（in_memory.py:291）——所有 similarity_search* 变体最后都汇到这里：

# libs/core/langchain_core/vectorstores/in_memory.py:291
def _similarity_search_with_score_by_vector(self, embedding, k=4, filter=None):
    docs = list(self.store.values())                          # ① 取出全部记录

    if filter is not None:                                    # ② 可选：先按元数据过滤
        docs = [doc for doc in docs
                if filter(Document(id=doc["id"], page_content=doc["text"],
                                   metadata=doc["metadata"]))]
    if not docs:
        return []

    similarity = cosine_similarity(                           # ③ ★问题向量 vs 所有文档向量
        [embedding], [doc["vector"] for doc in docs])[0]      #    一次矩阵运算全算完

    top_k_idx = similarity.argsort()[::-1][:k]                # ④ ★按相似度降序，取前 k 个下标

    return [(Document(id=doc_dict["id"], page_content=doc_dict["text"],
                      metadata=doc_dict["metadata"]),
             float(similarity[idx].item()),                   # ⑤ 附上分数
             doc_dict["vector"])
            for idx in top_k_idx if (doc_dict := docs[idx])]