完整题目
什么是 Embedding（向量嵌入）？为什么把文字变成一串数字之后，就能计算两段话的语义相似度？
本文目录
答案要点
- Embedding（向量嵌入）是把文字转成一串固定长度数字（向量）的技术，让机器能“计算”语义
- 核心性质：意思越接近的文本，向量在空间中的位置越近——这是一切语义检索的基础
- 语义相似度最常用余弦相似度来算：看两个向量方向的夹角，值越接近 1 越相似
- 向量由专门训练的嵌入模型生成（如 BGE 系列），不是随便编码
- 它是 RAG 检索、语义搜索、推荐系统共同的地基
核心概念
Embedding（向量嵌入）是指用模型把一段文字映射成一个固定长度的数字向量（比如 1024 个小数），使得语义相近的文字在向量空间中的位置也相近。可以把它想象成给每段话发一个“语义坐标”：谈论同一件事的句子，坐标就挨得近。
比如“我想退货”和“这个商品我不要了”，字面上几乎没有重复的字，关键词搜索会认为它们无关；但嵌入模型理解语义，会把两句话映射到相近位置——这正是语义搜索超越关键词搜索的原因。
语义相似度怎么算
- 用同一个嵌入模型，分别把两段文本转成向量 A 和 B
- 计算余弦相似度：cos(A, B) = A·B / (|A| × |B|)，本质是看两个向量方向的夹角有多小
- 结果越接近 1，说明方向越一致、语义越像；接近 0 则基本无关
也可以用点积、欧氏距离等度量，原理相通：把“语义像不像”的模糊问题，变成“数字算一算”的精确问题。注意：两段文本必须用同一个模型编码，不同模型的向量空间互不兼容。
在 RAG 里的角色
| 阶段 | Embedding 做什么 |
|---|---|
| 离线建库 | 把知识库里每个文本块转成向量，存入向量数据库 |
| 在线检索 | 把用户问题也转成向量，找出距离最近的 Top-K 个块 |
没有 Embedding 就没有“按意思找资料”这件事，RAG 检索质量的上限很大程度取决于嵌入模型的好坏。
入门之后，可以往嵌入模型的选型与评测（MTEB / C-MTEB 榜单）、向量数据库与 ANN 近似最近邻索引（如 HNSW）两个方向继续深入。
换一种问法，检查是否真正理解
概念辨析
Embedding 向量和给每个词编一个号（比如字典序号）有什么本质区别？为什么编号没法算语义相似度，向量就可以？
场景切入
用户在商城搜“不想要了怎么办”，关键词搜索匹配不到“退货政策”这篇文档。用 Embedding 怎么解决这个问题？大概流程是什么样的？
练习口述回答 · 约2分钟
- 一句话定位：Embedding 解决的是从文字到语义可计算的问题
- 核心原理：向量空间里距离近就是意思近，这是语义搜索能跑通的前提
- 业务例子：客服退款场景，关键词搜不到但语义能匹配
- 落地前提：模型要选对、向量库要配好，否则效果会崩
这道题其实是在问，机器怎么理解文字的意思，并且把这种理解变成可以运算的东西。[[Embedding]] 说白了就是给每段话发一个坐标，意思越像的，坐标越靠在一起。这么一来，原来模糊的“语义像不像”就变成了精确的“距离远不远”，这是 [[RAG]] 和语义搜索能跑通的地基。
具体怎么算相似度呢？最常用的是余弦相似度，看两个向量方向的夹角。夹角越小，值越接近 1，意思就越像。比如“我想退货”和“这个商品我不要了”，字面上几乎没有重复的字，关键词搜索肯定匹配不上，但 Embedding 会把它们映射到相近的位置，因为语义是相同的。这就是为什么语义搜索能超越关键词搜索。
举个例子，客服退款场景。用户说“退款什么时候到账”，如果只靠关键词，可能只匹配到“退款”两个字，把一堆无关的退款政策都翻出来。但用 Embedding 检索，它会优先找到和“到账时间”语义相近的文档片段，比如“退款处理时效是1-3个工作日”。这样生成回答时，模型就有事实依据，而不是凭空编。
不过这里有个前提，Embedding 的质量完全取决于嵌入模型。不同模型向量空间不兼容，必须用同一个模型编码查询和文档。而且[[向量库]]的索引方式也很关键，比如用 [[HNSW]] 这种 [[ANN]] 索引，才能在百万级数据里快速找到最近邻。如果模型选错了，或者索引参数没调好，召回质量会明显下降，RAG 的上限就卡在检索这一步。
所以我会把 Embedding 看成语义检索的基石，但不会认为它万能。真正落地时，我倾向把 Embedding 和关键词检索结合起来做[[混合检索]]，这样既能抓到语义，又能保证精确匹配，比如订单号、错误码这些场景。
如果面试官追问，我会说：Embedding 的另一个难点是处理同义词和多义词。比如“苹果”既可以是水果也可以是品牌，单纯靠 Embedding 可能会混淆。这时候就需要结合上下文做消歧，或者用 [[Rerank]] 模型做二次筛选。