模型与机制 · 02-04
嵌入/向量（Embedding）
把文本、图片或其他对象转成数字向量，让机器能比较它们的语义距离。
嵌入/向量（Embedding）
把文本、图片或其他对象转成数字向量，让机器能比较它们的语义距离。
一、是什么
- 把文本、图片或其他对象转成数字向量，让机器能比较它们的语义距离。
- 类比：像给每段内容一个坐标，意思相近的内容坐得更近。
- 关键澄清：
| 它不是什么 | 它是什么 |
|---|---|
| 不是原文的压缩包 | 用于搜索、聚类、推荐和检索的语义表示 |
二、为什么重要
- Embedding 是语义搜索和 RAG 的基础。
- 不懂它会怎样：把向量相似当成绝对正确，会漏掉上下文和事实校验。
三、日常怎么理解
- 用一句话讲给非技术朋友听：Embedding 是把意思变成机器能算距离的坐标。
- 常见场景：根据一句问题找出最相关的文档片段。
四、常见误解
| 误解 | 真相 |
|---|---|
| 向量搜索等于理解全文 | 它擅长找相似，不保证答案正确。 |
五、延伸阅读
适用场景与行动
场景：适合用来建立 AI 核心概念的共同语言。
适合谁：非技术创业者、AI 产品使用者、内容与业务负责人
下一步：先用一句话复述这个概念，再判断它和你的业务场景有什么关系。
这张卡片由杨思远基于真实工作流和实测经验整理。
如发现信息过时或有误，可通过 /contact 反馈。