Embedding向量化入门

更新: 5/19/2026字数: 0 字 时长: 0 分钟

Embedding 是把文本、图片、音频等内容转换成一组数字向量的技术。向量之间的距离可以表示语义相似度，因此它是语义搜索、推荐系统、聚类分析、RAG 知识库的基础。

OpenAI 官方文档把 Embedding 描述为把文本转换为数字，从而支持搜索、聚类等任务。

一、先用一个例子理解

有三句话：

A：我想买一台适合编程的笔记本电脑
B：推荐一款开发用的电脑
C：今晚吃什么比较好

关键词上，A 和 B 并不完全一样；语义上，A 和 B 很接近，C 离它们很远。

Embedding 会把它们变成向量：

A → [0.12, -0.45, 0.87, ...]
B → [0.10, -0.41, 0.83, ...]
C → [-0.76, 0.18, 0.09, ...]

然后通过相似度计算判断：

相似度(A, B) > 相似度(A, C)

二、Embedding 在系统里的位置

在 RAG 中，文档和用户问题都会被转成向量。系统通过向量距离找到语义最接近的文档片段。

三、核心概念

概念	解释	例子
向量	一组数字，表示内容的语义特征	[0.12, -0.45, ...]
维度	向量中数字的数量	1536 维、3072 维
相似度	衡量两个向量是否接近	余弦相似度
TopK	返回最相似的前 K 条	Top5 文档片段
元数据	和向量一起保存的业务信息	标题、来源、权限、时间

四、常见相似度算法

4.1 余弦相似度

看两个向量方向是否接近，常用于文本语义相似度。

cosine(A, B) 越接近 1，表示越相似

4.2 点积

常用于经过归一化的向量，计算速度快。

4.3 欧氏距离

看两个向量在空间中的距离，距离越短越相似。

实际项目中，不一定要自己实现这些算法，向量数据库通常已经提供。

五、Embedding 能做什么

5.1 语义搜索

用户搜索“报销规则”，系统可以找到：

• 差旅费用审批制度
• 发票提交要求
• 补贴标准说明

即使文档标题没有出现“报销规则”四个字，也可以被召回。

5.2 相似内容推荐

文章、商品、课程、用户画像都可以向量化，然后做相似推荐。

5.3 文档去重

判断两篇文档是否高度相似，避免知识库里出现大量重复内容。

5.4 聚类分析

把大量用户反馈按语义聚成几类，辅助产品分析。

六、工程实践怎么做

6.1 文档入库

6.2 查询检索

七、常见坑

7.1 不保存原文

只保存向量是不够的。向量用于检索，原文用于回答和追溯。

7.2 不保存元数据

至少保存：

• 文档标题
• 原始链接
• 更新时间
• 所属业务
• 权限范围
• 切片序号

7.3 混用不同模型

同一个向量库里尽量不要混用不同 Embedding 模型生成的向量，否则相似度空间不一致。

7.4 只看 TopK，不看质量

TopK 返回了结果不代表结果正确。要抽样检查召回片段是否真的能回答问题。

八、延伸阅读

• OpenAI：Vector Embeddings
• OpenAI：Create Embeddings API
• Microsoft：Azure OpenAI Embeddings

一句话总结：

Embedding 是 AI 系统理解“语义相似”的基础设施。