什么是向量嵌入？
向量嵌入（Embedding）是将文本、图像、音频等非结构化数据转换为一组数值（即向量）的技术。这个向量能够捕捉数据的语义信息——意思相近的文本，它们的向量在空间中也靠得很近。
为什么需要向量嵌入？
计算机无法直接理解"猫"和"狗"的语义关系，但可以通过向量来表示它们："猫"→[0.2, 0.8, -0.3, ...]，"狗"→[0.3, 0.7, -0.2, ...]。这两个向量在空间中的距离很近，说明它们语义相似。而"汽车"→[0.9, -0.1, 0.5, ...] 则离"猫"较远。
Embedding 的主要应用
语义搜索：搜索"可爱的宠物"时，不仅能找到包含"宠物"的文档，还能找到包含"猫""狗"等语义相关内容的文档。
RAG 检索：在 RAG 架构中，Embedding 是将用户问题和知识库文档进行匹配的核心技术。
聚类与分类：将大量文本转换为向量后，可以自动聚类（发现主题分组）或分类。
推荐系统：计算用户偏好和内容的向量相似度，实现个性化推荐。
主流 Embedding 模型
- ·OpenAI Embeddings（text-embedding-3-small/large）
- ·通义千问 Embedding（text-embedding-v2）
- ·BGE（北京智源研究院的开源模型）
- ·text2vec（国产开源中文 Embedding 模型）
Embedding 模型通常比大语言模型小得多、便宜得多，调用成本很低。