5.1 Embedding 的作用与原理

这一节先不急着讲向量数据库、相似度排序或混合检索，而是先把最基础的问题讲清楚：

• Embedding 到底是什么
• 它在 RAG 里到底负责什么
• 为什么它能支持语义检索
• 模型选型时到底该看什么

很多人第一次接触 RAG 时，会把 Embedding 理解成：

• 把文本变成一串数字

这句话当然不算错，但也太浅了。

真正重要的不是“变成数字”这件事本身，而是：系统试图用一种可比较的表示，把文本、问题和语义关系放进同一个检索空间里。

只有理解了这一点，后面你才更容易看清：

• 为什么向量检索能找近义表达
• 为什么它对术语和编号不总是稳
• 为什么选错 embedding 模型会直接影响召回效果

学这一节时，最值得先建立的判断

• Embedding 的作用不是生成答案，而是提供一种可比较的语义表示
• 它更像“召回信号”的基础，而不是完整检索系统本身
• Embedding 强不强，不只看模型能力，还要看是否匹配语言、领域和任务
• 语义相近不等于业务正确，所以后面仍然需要过滤、排序和边界控制

这一节会回答什么问题

• 什么是 Embedding？
• Embedding 在 RAG 里到底负责什么？
• 为什么 Embedding 能支持语义检索？
• Embedding 模型应该怎么选？

读完这一节后，你最好能更稳地判断：

• Embedding 在整条 RAG 链路里到底承担什么职责
• 为什么向量表示能帮助系统找到“说法不同但意思接近”的内容
• 选 embedding 模型时，哪些因素更值得优先看