概念更新于 2026-06-21 · 版本 1.0

什么是 Embeddings 与向量搜索？

Embedding（嵌入）是一个数值向量，用于表示文本（或图像、音频、代码）的含义，从而使语义相似的项在向量空间中彼此接近。向量搜索用于查找与查询最接近的 Embedding，从而实现按含义而非关键词进行搜索。Embedding 是检索增强生成（RAG）、语义搜索、聚类和推荐的核心支柱。

证据: 基准测试置信度: 高来源: 基准测试来源: 论文
机器可读: JSON

定义

Embedding 是一种稠密数值向量，用于对数据片段的含义进行编码，其位置使得相似的项在向量空间中彼此接近；向量搜索则用于检索与查询最接近的 Embedding。

核心要点

  • Embedding 将含义转化为向量；相似的事物在空间中彼此接近。
  • 向量搜索通过语义相似度进行检索，而非精确的关键词。
  • 它们为 RAG、语义搜索、聚类和推荐提供支持。
  • 混合搜索（向量 + 关键词）的效果通常优于其中任何一种单一方式。
  • 分块（Chunking）和 Embedding 模型的选择决定了检索质量。

背景

计算机比较的是数字，而非含义。Embedding 弥合了这一差距：Embedding 模型将文本映射为向量，使得“取消我的订阅”和“如何退订”即使没有共同的词，也会落在彼此临近的位置。

这正是语义检索成为可能的原因。系统不再匹配关键词，而是对查询进行 Embedding，并找到最接近的已存储向量——这是 RAG 和现代搜索检索相关内容的基础。

架构

索引：内容被拆分为分块（Chunks），每个分块通过 Embedding 模型生成一个向量，然后存储在向量索引中。查询：对查询进行 Embedding，索引通过相似度度量（例如余弦相似度）返回最接近的向量。

生产系统会添加重排器（Re-ranker）以优化最靠前的结果，将向量搜索与关键词搜索相结合（混合搜索），并根据元数据和权限进行过滤。质量在很大程度上取决于分块和 Embedding 模型。

组件

Embedding 模型分块（Chunking）向量索引 / 数据库相似度度量（余弦）重排器（Re-ranker）混合（关键词）搜索

优势

  • 按含义搜索，对措辞具有鲁棒性。
  • 跨语言和多模态匹配。
  • RAG 和语义搜索的支柱。
  • 一旦建立索引，大规模查询的成本非常低。

风险

  • 糟糕的分块会降低所有下游结果的质量。
  • Embedding 模型不匹配会损害相关性。
  • 向量可能会泄露敏感信息；请确保存储安全。
  • 纯向量搜索可能会遗漏精确匹配的需求（请使用混合搜索）。

工具与技术

Embedding 模型（OpenAI、Cohere、开源模型）向量数据库（pgvector、Pinecone、Vertex AI Vector Search）重排器混合搜索引擎

示例

  • 在帮助中心进行语义搜索，匹配的是意图而非关键词。
  • 检索相关段落以作为 RAG 回答的依据。
  • 利用工单的 Embedding 按主题对支持工单进行聚类。

常见问题解答

Embedding 与关键词有什么区别？
关键词搜索匹配的是精确的词语；Embedding 匹配的是含义，因此即使使用释义和同义词，仍能检索到正确的内容。
什么是向量搜索？
通过余弦距离等相似度度量，查找与查询 Embedding 最接近的已存储 Embedding——即按语义接近度进行搜索。
为什么要将向量搜索和关键词搜索结合起来？
向量擅长表达含义，但可能会遗漏精确的术语（代码、名称）。混合搜索融合了这两者，以获得最佳的召回率和准确率。
Embedding 是 RAG 的核心吗？
是的。RAG 对文档 and 查询进行 Embedding，通过向量搜索检索最接近的分块，并以此作为模型回答的依据。

参考文献