embedding是什么意思：向量表达，文本转数字

embedding是什么意思，embedding即嵌入向量，是把文字、图片、音频这类非结构化数据转化为固定长度数字数组的技术，你可以用它计算两段内容相似度，搭建知识库检索、推荐系统、大模型RAG应用；它的适用边界是，embedding只捕捉语义层面的关联，无法理解完整逻辑推理，不适合需要复杂数学推导、长链条因果判断的场景，向量维度常见有512维、768维、1024维，维度越高语义细节保留越多，但存储和计算开销会同步上升。

embedding的底层原理

embedding模型预先在海量语料上训练，学习词语、句子之间的语义关系，输入一段文本，模型输出一串浮点数构成向量，语义相近的内容，对应的向量在高维空间里距离更近。两个向量之间通常用余弦相似度衡量远近，余弦值越接近1，代表两段文本语义越接近；数值接近0代表语义无关，负数代表语义差异较大。

向量不是固定不变的符号，同一个句子换不同embedding模型生成，得到的向量数组完全不一样，不同厂商的向量不能直接互相比对，你做向量检索时，必须全程使用同一个embedding模型生成向量。

embedding实操用法

你调用embedding接口，输入文本得到向量，存入向量数据库，用户提问时，把用户问题同样转为embedding向量，在向量库中做相似度检索，召回匹配度高的原文片段，再交给大模型生成答案，这套流程就是RAG检索增强生成。

你可以用embedding做这些场景。

• 私有文档知识库问答
• 内容去重、相似文章聚类
• 搜索优化，实现语义搜索而非关键词匹配
• 商品、短视频内容推荐
• 图片检索，图像embedding将图像转为向量

embedding模型选型对比

中文场景优先选择经过中文语料训练的embedding模型，纯英文模型处理中文文本，相似度匹配效果会明显下降。

向量长度直接影响存储成本，百万条768维向量，占用的内存空间会远大于512维向量，小规模检索任务不必盲目选用高维向量。

embedding常见误区

embedding不等同于大语言模型，它只负责编码语义，不能生成文字，不能完成问答。很多新手直接拿embedding向量做复杂逻辑判断，向量相似度高不代表事实正确，可能出现语义相近但事实矛盾的召回结果。

截断会破坏embedding效果。

embedding存在最大输入token上限，输入文本超过上限，模型会自动截断末尾内容，截断后的文本生成向量会丢失后半段语义，你在预处理阶段，需要把长文档切分成符合token限制的小段，再批量生成向量。

向量库只是存储载体，不会提升embedding本身的语义精度，向量库只负责加速向量检索，不会修正模型生成向量时自带的语义偏差。