返回知识库AI 与提示 · 知识与检索
向量嵌入Embedding
向量嵌入（embedding）把文本映射成固定维度的数字向量，让语义相近的内容在高维空间中距离更近。它比较的是意思而不只是共字；上下文不足时仍会歧义，相似分数也必须用真实查询校准，不能当成事实置信度。
把一句查询放进语义地图
同样含“苹果”，手机、成熟和公司是三种意思。删掉上下文会让近邻失去判断依据，补回语境后查询针才会靠向正确句子。
这是一组客服知识句子的语义搜索。查询先变成固定维度向量，再在地图中寻找高维距离最近的句子；地图用二维投影帮助看关系，不代表模型真的只有两个维度。
⌕本次查询苹果手机如何截图？
[-0.14, 0.82, … 1536 维] 手机语义簇水果语义簇公司 / 金融QUERY VECTOR苹果手机如何截图？
手机用法iPhone 怎么截屏？近邻 · 余弦 0.91手机用法Galaxy 截图快捷键近邻 · 余弦 0.79水果生长苹果什么时候成熟？远邻 · 余弦 0.28水果生长红富士几月采摘？远邻 · 余弦 0.19公司金融苹果公司股价走势远邻 · 余弦 0.23二维位置仅是教学投影；真正向量有 1536 维，检索按高维余弦距离排序。
字面没有“苹果手机”，但语义相同，余弦 0.91；水果句虽然共享“苹果”，只得 0.28。 删掉“手机 / 截图”看看上下文不足时会发生什么。
从地图里，记住四件事
面板已经展示了文本变向量、距离排序、上下文消歧和拒绝低置信取回；这里给它们命名。
- 嵌入把内容映射成固定维度向量
- 一段文本经过同一个 embedding 模型后得到一串数字；维度固定，才可以在同一向量空间比较距离。
- 近的是意思，不一定是字面
- 「苹果手机截图」和「iPhone 截屏」没有共同词却能靠近；「苹果手机」和「苹果成熟」共享词却属于不同语义簇。
- 上下文决定歧义能否被拉开
- 只写「苹果怎么选」时，手机与水果候选几乎同分。嵌入不是读心术，应补上下文、追问或混合检索。
- 相似分数不是事实置信度
- 余弦分数受模型、语言、分块和语料影响；阈值要用真实查询集校准，命中后仍需重排序与依据校验。
什么时候用，什么时候别单用
嵌入擅长“换一种说法仍能找到”，但精确标识符和强歧义通常需要别的信号。
- 适合：RAG 文档召回、相似问答、推荐、去重与语义缓存，目标是找“意思最像”的内容。
- 尤其适合：同义不同字、口语改写或跨语言表达，关键词容易漏掉这些候选。
- 别单用：订单号、代码符号、专有名词需要精确命中时，叠加关键词形成混合检索。
- 先补语境：查询过短、歧义很强或领域词模型不熟时，追问、带上下文分块或增加重排序。
怎么用：从文本到可靠近邻
模型、维度和距离度量必须在写入与查询两端保持一致。
- 1准备语义完整的片段把标题和必要上下文一起送进 embedding，不要只嵌入孤立关键词。
- 2统一模型与归一化文档和查询使用同一模型、同一维度与同一距离度量。
- 3按距离召回取 top-k，同时保留 score、片段 id 和来源，不把高分直接当正确答案。
- 4用真实查询校准覆盖同义、歧义和无关样本，决定阈值、混合检索和拒答边界。
同一目标，只改匹配依据
都想从客服库找到“手机截图”说明；差别只在数共字还是比较语义距离。
正例嵌入召回 + 校准阈值查询「苹果手机截图」把「iPhone 怎么截屏」排第一，并把水果句留在远邻；低分或歧义时追问。
反例只按“苹果”共字排序水果成熟句因为共享“苹果”排到前面，真正同义的 iPhone 句被漏掉；用户得到完全错误的知识片段。
快速自测
查询只有「苹果怎么选」，手机和水果候选的余弦几乎相同。最稳妥的下一步是什么？
继续查证
术语的技术定义和行为以这些一手或权威资料为准。