Embedding 是把文本、图片、代码等对象映射成向量的技术。向量可以表达语义相似性，因此常用于语义检索、推荐、聚类、去重和 RAG。

1. 什么是 Embedding

文本：“如何重置密码”
  -> Embedding 模型
  -> [0.12, -0.08, 0.33, ...]

向量中的每个数字本身不需要人工解释，重要的是向量之间的距离或相似度能反映语义关系。

2. 为什么向量能做语义检索

如果两个文本语义相近，它们的向量距离通常也更近。

“怎么修改登录密码”
“如何重置账号密码”
      距离近

“数据库索引怎么优化”
      距离远

这让系统可以不完全依赖关键词匹配，而是按语义找到相关内容。

3. 常见相似度计算

方法	说明
Cosine Similarity	比较向量方向，语义检索常用
Dot Product	点积，相似度和向量长度有关
Euclidean Distance	欧氏距离，衡量空间距离

在实际系统中，具体使用哪种相似度要和 Embedding 模型、向量库索引方式保持一致。

4. Embedding 的典型用途

场景	用法
RAG	把文档 Chunk 向量化，按问题召回相关片段
搜索	做语义搜索，弥补关键词不足
推荐	根据用户兴趣和内容向量计算相似度
聚类	把相似文档、问题或用户分组
去重	识别语义重复但表达不同的内容

5. RAG 中的向量化流程

文档
  -> 清洗
  -> 切分 Chunk
  -> Embedding
  -> 存入向量库

用户问题
  -> Embedding
  -> 向量检索
  -> 返回相似 Chunk

6. 常见坑

问题	原因	建议
检索结果不相关	文档切分差或模型不适合领域	优化切分，选择合适 Embedding
关键词精确匹配缺失	向量检索偏语义，忽略精确词	使用混合检索
多语言效果差	Embedding 模型多语言能力不足	选择支持目标语言的模型
向量更新困难	文档版本和索引不同步	建立增量更新和删除机制

7. 工程建议

1. Embedding 模型和生成模型可以不同，按检索效果选型。
2. 对专有名词、编号、代码、产品名，结合关键词检索更稳。
3. 记录 Chunk 来源、版本、权限和更新时间。
4. 建立检索评估集，不能只看单次体验。

8. Tips 快问快答

Q：Embedding 向量能还原原文吗？

A：通常不能直接还原。Embedding 主要表达语义位置，不是加密后的原文。

Q：向量维度越高越好吗？

A：不一定。维度影响表达能力、存储和检索成本。关键是模型是否适合任务。

Q：RAG 一定要用向量检索吗？

A：不一定。很多场景需要关键词、结构化过滤和向量检索结合，效果比单一向量检索更稳定。