核心要点

  • 一句话本质：把文本（或图像）转成一串数字向量，意思相近的内容向量也相近，于是「比意思」变成「算距离」

  • 能落地的场景：语义搜索、相似推荐、聚类去重、文本分类、RAG 检索、异常检测

  • 能给具体例子：搜「怎么退货」也能命中「退款流程」这种不含相同词的文档

  • 知道怎么用：文本过 embedding 模型得向量，存进向量库（如 FAISS），查询时算余弦相似度取 Top-K

标准回答

本质

Embedding 就是把一段文本喂给模型，输出一串固定长度的数字（向量）。关键性质是「语义相近 → 向量相近」，所以判断两段话意思像不像，就变成算两个向量的距离/余弦相似度。

搜相似：语义搜索

传统关键词搜「退货」搜不到只写「退款流程」的文档；用 embedding 把所有文档和查询都转向量，按相似度排序，就能命中同义、近义内容。这是 RAG 里检索的核心步骤——先用向量召回相关片段，再喂给大模型生成答案。

找重复：去重与聚类

把一批用户反馈/新闻转向量，相似度高的归一类，可以做内容去重、话题聚类、找近似重复工单。

做分类与推荐

把文本向量丢给一个简单分类器做意图识别；或拿「用户看过的内容向量」找最相近的物料做相似推荐。

异常检测

正常样本向量聚成一团，离群的向量就是异常，可用于发现异常文本/行为。

常见误区

⚠️ 常见踩坑

别把 embedding 当成「能回答问题的模型」——它只负责把内容变成可比较的向量，回答还得靠检索后接大模型；也别忽略不同任务要选合适的 embedding 模型和相似度阈值。

追问

追问 1：Embedding 和直接用关键词搜索有什么区别？

关键词搜靠字面匹配，换个说法就搜不到；embedding 比的是语义，能命中同义、近义表达。实际中常把两者混合（hybrid search）：关键词保证精确命中，向量保证语义召回。

追问 2：向量存在哪、怎么快速查相似？

存进向量数据库（FAISS、Milvus、pgvector 等），它们用近似最近邻索引（如 HNSW）在百万级向量里毫秒级取 Top-K，避免逐个算相似度的暴力计算。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

🛠️ AI 工具

  • Milvus

    云原生向量数据库，43,875+ stars。专为 AI 应用设计的分布式向量搜索引擎，支持千亿级向量检索，广泛应用于 RAG、推荐系统和相似性搜索场景

🎯 相关面试题