Embedding 向量嵌入：语义空间、相似度与模型选择

一句话怎样变成一串数字计算机很容易比较数字却不能直接理解“如何启动服务”和“服务的启动步骤”表达了相近含义。Embedding 模型解决的正是这个问题它把文本、图片或音频映射成一组稠密向量让语义关系能够通过数学距离来比较。“如何启动服务” ↓ Embedding 模型 [0.12, -0.31, 0.08, 0.44, ...]语义相近的内容在向量空间中通常更靠近语义无关的内容则更远。RAG 因此可以把用户问题与所有知识片段放到同一个空间中寻找最近的若干片段。图中的两个维度只用于直观说明。真实 Embedding 往往有数百或数千维单个维度通常不能被直接解释成“动物程度”或“技术程度”。模型学习的是大量维度共同构成的关系。稠密向量与独热编码有什么不同传统独热编码会为词表中的每个词分配一个位置猫 [1, 0, 0, 0] 狗 [0, 1, 0, 0] 车 [0, 0, 1, 0]在这种表示下猫与狗和猫与车的距离没有体现语义差别。Embedding 则把信息分散在多个连续数值中使猫和狗更可能接近汽车落在另一个区域。这种表示称为稠密向量。早期的 Word2Vec 主要学习词级关系现代 Embedding 模型可以直接编码句子、段落甚至文档。有些多模态模型还会把文字与图片对齐到同一个空间但这必须是模型训练时明确具备的能力不能假设任意文本模型都能处理图片。三种常见的相似度计算余弦相似度余弦相似度比较两个向量方向是否接近cos(a, b) (a · b) / (||a|| × ||b||)它对向量长度不敏感在文本语义检索中非常常见。值越大通常表示方向越接近。欧氏距离欧氏距离计算空间中的直线距离。值越小两个向量越接近。它同时受到方向和向量长度影响。点积点积同时反映方向和模长。若向量已做 L2 归一化点积与余弦相似度会得到相同的排序未归一化时两者不能混为一谈。下面用 NumPy 直观看三种结果importnumpyasnp anp.array([0.2,0.8,0.1])bnp.array([0.3,0.7,0.2])cosinenp.dot(a,b)/(np.linalg.norm(a)*np.linalg.norm(b))euclideannp.linalg.norm(a-b)dot_productnp.dot(a,b)print(cosine:,cosine)# 越大越相似print(euclidean:,euclidean)# 越小越相似print(dot:,dot_product)# 解释取决于模型与归一化方式选择哪种距离不能只凭习惯。Embedding 模型通常会在文档中说明推荐的相似度与是否需要归一化向量数据库的索引配置必须与之保持一致。查询与文档必须使用同一套表示建立知识库时文档片段由一个 Embedding 模型生成向量查询时也必须使用兼容的模型和相同预处理方式。# 建库doc_vectorsembed_model.encode(chunks,normalizeTrue)vector_db.upsert(chunks,doc_vectors)# 查询query_vectorembed_model.encode([question],normalizeTrue)[0]hitsvector_db.search(query_vector,top_k5)如果建库后更换模型新旧向量并不处在同一个语义空间必须重新生成全部文档向量。即使模型名称相同若升级版本改变了维度或表示方式也要先验证兼容性。有些模型区分“查询”和“文档”的输入前缀例如要求加上query:、passage:或使用不同的编码方法。这不是多余格式而是训练方式的一部分遗漏后可能明显降低召回效果。如何选择 Embedding 模型排行榜可以作为参考却不能代替业务测试。选型时至少要看以下方面。语言和领域中文、跨语言、代码和专业术语对模型的要求不同。一个通用英文模型即使在综合榜单上成绩很好也未必适合中文企业文档。输入长度模型能接收多长文本会限制 Chunk 上限。超过限制时有的 SDK 报错有的会截断静默截断最危险因为向量可能根本没有编码后半段答案。向量维度与成本更高维度会增加存储、网络传输和索引内存但不自动意味着检索更准。云端模型还要评估调用价格与数据合规本地模型则要考虑显存、吞吐和部署维护。真实检索表现准备一组“问题—正确片段”对然后计算 RecallK、MRR 或 nDCG。至少要与关键词检索基线比较因为产品编号、错误码和人名等精确词往往是关键词方法更擅长。本地调用示例许多本地模型服务会提供 OpenAI 兼容的 Embedding 接口。假设服务运行在localhost:1234可以这样请求curlhttp://localhost:1234/v1/embeddings\-HContent-Type: application/json\-d{ model: your-embedding-model, input: [技术课程, 怎样构建本地知识库] }返回结果通常包含每条输入对应的向量{data:[{index:0,embedding:[0.012,-0.083,0.041]},{index:1,embedding:[-0.022,0.017,0.096]}]}示例省略了大部分维度。生产环境还要设置批量大小、超时、重试与缓存并记录模型名称和版本保证索引可以重建。可视化能告诉我们什么TensorFlow Embedding Projector 可以用 PCA、t-SNE 或 UMAP 等方法把高维向量投影到二维或三维用于观察聚类和异常点。但投影会损失信息。二维图上看似靠近的点在原始高维空间中不一定同样接近。因此可视化适合发现线索不适合代替检索指标。常见误区第一个误区是把相似度当成事实正确性。向量只能告诉我们两段文字“像不像”不能证明内容真实或最新。第二个误区是只使用向量检索。对错误码、订单号、专有名词等查询关键词检索往往更可靠。把稠密向量与 BM25 等关键词方法结合再做重排通常更稳健。第三个误区是只看模型不检查数据。若原文解析顺序错误或 Chunk 缺少标题再强的 Embedding 也无法恢复已经丢失的语义。小结Embedding 是 RAG 中连接自然语言与数学检索的桥梁。它把查询和知识片段映射到同一向量空间再通过余弦、欧氏距离或点积寻找相近内容。