嵌入（Embedding）是让计算机理解"语义"的关键技术，也是 RAG、语义搜索、向量检索的地基。本笔记讲清 Embedding 是什么、怎么做语义检索。

什么是 Embedding

Embedding 是把文本映射成高维向量（一串数字），让语义相近的内容在向量空间中距离更近。

"猫" → [0.1, 0.8, -0.3, ...]   (几百到几千维的向量)
"猫咪" → [0.12, 0.79, -0.31, ...]  ← 语义相近，向量相近
"汽车" → [0.7, -0.2, 0.5, ...]   ← 语义远，向量远

为什么有用：传统关键词搜索按字面匹配，搜"猫咪"找不到"猫"。向量检索按语义匹配，能理解"意思相近"。

相似度衡量

向量之间的"距离"用相似度函数衡量：

指标	说明
余弦相似度（Cosine）	最常用，衡量方向一致性，取值 -1~1
内积（Dot Product）	常用于归一化向量
欧氏距离（L2）	绝对距离

余弦相似度越高，语义越相近。这是向量检索"找到最相关文档"的数学基础。

向量检索流程（在 RAG 中的应用）

1. 离线：把文档切成块 → Embedding → 存入向量数据库（建索引）
2. 在线：查询文本 → Embedding → 在向量库找余弦相似度最高的 N 块
3. 返回最相关的块作为上下文 → 交给 LLM 生成

向量数据库

专门存储和检索向量的数据库：

工具	特点
Chroma	轻量、Python 友好，入门首选
FAISS	Meta 开源，高性能相似度搜索
pgvector	PostgreSQL 扩展，业务库集成方便
Qdrant / Milvus	企业级向量库

核心洞察

• Embedding 把"语义"变成"可计算的数字"，是 RAG、语义搜索、推荐系统、知识库检索的共同地基
• 未来 Claude Code 接 Obsidian（Vault PKM 等）就是靠 Embedding + 向量检索理解知识库
• 提示词、Agent、MCP 解决"怎么用"，Embedding 解决"怎么找到对的资料"

一句话总结

Embedding 把语义变成可计算的向量，检索靠余弦相似度而非字面匹配（搜「猫咪」也能命中「猫」）；它解决的是"怎么找到对的资料"。

关联概念

• 应用：AI基础概念-RAG检索增强生成（检索地基）
• 基础：AI基础概念-大语言模型与Token
• 未来：_session-state（Claude Code 接知识库的 MCP 方案）