什么是 Embedding

它解决什么

关键词检索匹配的是字面：搜「退款」找不到写着「把钱退回来」的段落。

向量化之后，两句话在向量空间里方向接近，就能被检索到。这让「按意思找」成为可能。

怎么工作

1. 用 embedding 模型把每段文本编码成固定长度的向量（比如 1024 个数字）。
2. 用余弦相似度比较两个向量的方向。
3. 取最相近的几条，交给下一步使用。

一个最小例子

「如何申请退款」与「钱怎么退回来」的相似度高；与「怎么开发票」的相似度低。

注意：它衡量的是「语义接近」，不是「正确」。最相近的段落也可能答非所问。

三个常见误解

• 「向量是加密」：不是。它是把语义压成坐标，不保证不可逆，也不承担保密职责。
• 「不同模型的向量可以混用」：不能。不同模型、不同版本的向量空间不通用，换了模型要全部重建。
• 「维度越高效果越好」：不一定。维度和效果不是线性关系，检索质量更多取决于训练数据和切分方式。

和关键词检索的区别

对比	关键词检索	向量检索
匹配依据	字面是否出现	语义是否接近
同义改写	搜不到	能搜到
精确编号、人名	准	可能漏
可解释性	高	低

实践中常把两者混用：先关键词保底，再向量补充。

延伸阅读

• 用它做什么：什么是 RAG
• 文本怎么被切开：什么是 token