前言
文本嵌入模型是大语言模型的基石和早期雏形，大语言模型则是文本嵌入模型结合“动态上下文理解”产生的巨大飞跃，这篇博客会从文本嵌入出发，由浅入深去探索文本嵌入、向量数据库、RAG 的本质。
Text Embedding： 让机器也能读懂文字的含义
先从一个简单问题开始
想象一下，电脑能直接理解“苹果”这个词吗？
当然是不能。电脑只认识数字，比如 010101。对于电脑来说，“苹果”、“香蕉”、“手机”这些词本身没有任何区别，只是一串不同的符号。
那么我们如何让电脑理解 “苹果”和“香蕉”是近义词（都是水果），而和“电脑”关系较远呢？
很容易想到，把词语句子转译成一串数字计算机处理处理起来就方便了， 这里提到的转译结果，就是 Text Embedding，处理转译任务用到的模型就是 Text Embedding Model。
注1：也可以给视频、图片、音频等多媒体输入做转译，相关的模型有
ViT、multimodalembedding等多模态 Embedding 模型。注2：Embedding 的中文翻译是嵌入，直译听起来有点不明就里，不过概念理解一致即可。
什么是 Text Embedding？
Text Embedding 是一种技术，它能将文本（单词、句子或整个段落）转换成一个由数字组成的列表，这个列表我们称之为 向量。
这个向量可以具象的想象成一个非常多维的空间坐标，这个空间可以被称为语义空间，列表的长度就是空间的维度。
核心思想：意义相近的文本，它们对应的“坐标”在空间中的距离也相近。
举个例子：
假设我们能把词语映射到一个二维平面上（实际上的维度要高得多，有几百甚至上千维）。
苹果 的坐标可能是 [0.8, 0.7]香蕉 的坐标可能是 [0.75, 0.65]电脑 的坐标可能是 [-0.9, -0.8]你会发现，苹果 和 香蕉 的坐标点在图上离得很近，而它们都离 电脑 很远。这样，计算机通过计算坐标之间的距离（比如欧氏距离），就能让程序理解词语之间的关系了。
词向量的数学性质:
一个更有代表性的例子，著名的 King - Man + Woman ≈ Queen
向量("国王") - 向量("男人") + 向量("女人")计算出的结果向量，会和 向量("女王") 的坐标非常非常接近这表明，Embedding 不仅编码了“是什么”，还编码了词语之间复杂的语义关系。
Embedding 是如何生成的？
上文中提到的翻译过程不是人为设定的，而是让 AI 模型在海量的文本数据（比如整个维基百科、数字化的书籍、网页）上学习提炼出来，相当于 AI 模型通过阅读大量材料，自己总结出了规律。
演进历程：
早期阶段 (Word2Vec, GloVe 等):
- 核心思想： 一个词的意义由它周围的词来定义（“近朱者赤，近墨者黑”）。工作方式 (以Word2Vec为例)： 模型在阅读海量文本时，会尝试做“完形填空”。比如看到句子 “一只__在树上唱歌”，模型会去预测中间的词是 “鸟”。模型不断地进行预测和修正词的向量坐标，慢慢就能学会了每个词的向量表示。缺点： 无法处理一词多义的情况。比如 “bank” 在 “river bank” (河岸) 和 “investment bank” (银行) 中，用 Word2Vec 得到的 Embedding 是一样的，这与实际情况相差甚远。
现代阶段 (基于 transformer 架构的 Embedding 模型，如 text-embedding-3-large、qwen3-embedding等):
- 核心思想： 词语的意义依赖于其所在的上下文 (Context)。工作方式： 这类基于 Transformer 架构的 AI 模型在处理一个词时，会同时考虑到整个句子的所有其他词。AI 模型通过注意力机制来判断句子中哪些词对当前词的意义影响最大。优势： 能够较好的解决一词多义问题。对于 “river bank” 和 “investment bank”，文本向量模型会根据上下文，为 “bank” 生成两个完全不同的 Embedding 向量。劣势： 模型相比传统词向量一般要大，推理成本和训练成本高
现在我们通常使用的 Embedding 模型都是像 openai 的 text-embedding-3-large 这样能够理解上下文的强大模型。
需要注意的是： Embedding 模型和大语言模型虽然大多数都基于 Transformer 架构，但本质上存在很大区别。大语言模型的输出结果是推理的新文本，主要用于推理，而 Embedding 模型输出的是向量，主要用于捕捉语意方便后续检索。
| 特性 | Text Embedding 模型 | 大语言模型 (LLM) |
|---|---|---|
| 核心功能 | 文本理解与量化 | 文本理解、推理与生成 |
| 输入 | 文本 (Text) | 文本 (Text) |
| 输出 | 数字向量 (Vector) | 新的文本 (Text) |
| 主要目标 | 捕捉语义，用于机器后续处理 | 模仿人类进行对话、创作和推理 |
| 典型应用 | 相似度搜索、文本分类、聚类、RAG中的检索环节 | 聊天机器人、内容创作、代码生成、摘要总结、RAG中的生成环节 |
| 与对方关系 | LLM 的基础组件和输入预处理器 | Embedding 模型的超集和能力扩展 |
向量数据库：Embedding 的图书馆
有了 Embedding ，下一步能干什么
看到这里，我们已经能把任何文本都转换成向量（坐标）了。假设有一个包含数百万篇文章的知识库，现在我们想做一个智能问答机器人。
用户的提问流程大概是这样的：
- 用户提问：中国的首都是哪里？你用 Embedding 模型将这个问题转换成一个向量
V_query。下一步怎么办： 需要从你的数百万篇文章中，找到和这个问题最相关的文章。朴素算法：
遍历每一篇文章，把它也转换成向量 V_doc，然后计算 V_query 和 V_doc 之间的距离。最后，找出距离最近的那几篇。
问题在于： 如果有一百万篇文章，你就要做一百万次向量计算和比较。时间复杂度 O(n)，这对业务来说是不可接受的。
那这个时候向量数据库就很有用场了，因为它就是被设计用于高效迅速解决匹配查询问题的。
什么是向量数据库？
向量数据库 (Vector Database) 是一种专门为海量高维向量的 存储、管理和高效检索 而设计的数据库。
它的核心任务就是： 当你给它一个查询向量时，它能极快地返回与这个向量最相似的 N 个向量。这个过程叫做 近似最近邻搜索 (Approximate Nearest Neighbor, ANN) 。
整理了一张向量数据库和关系型数据库的对比表
| 对比维度 | 关系型数据库 (如 MySQL) | 向量数据库 |
|---|---|---|
| 核心功能 | 精确存储和检索结构化数据，保证数据的一致性和完整性。 | 高效存储和检索高维向量数据，发现数据间的语义或特征相似性。 |
| 数据模型 | 二维表格（行和列），数据有严格的预定义模式（Schema）。 | 向量（高维浮点数数组）和可选的元数据（Metadata）。向量通常由 AI 模型生成。 |
| 查询方式 | 使用 SQL 语言进行精确条件查询。 | 通过输入一个查询向量，来查找与之最相似的 N 个向量（Top-K 近似最近邻搜索）。 |
| 查询逻辑 | 精确匹配：基于布尔逻辑（是/否），如 WHERE id = 123 或 age > 30。 | 相似度匹配：基于距离计算（如欧氏距离、余弦相似度），返回“有多像”，而不是“是不是”。 |
| 索引技术 | B-Tree 或 B+Tree 索引：非常适合精确值的快速查找和范围查询。 | ANN (近似最近邻) 算法：如 HNSW, IVF, LSH 等，用于在海量高维空间中快速找到近似的邻居。 |
| 处理数据类型 | 主要处理结构化的标量数据，如整数、字符串、日期、布尔值等。 | 主要处理非结构化数据（文本、图片、音频、视频等）转换后的数学表示——向量。 |
| 查询示例 | SELECT * FROM users WHERE name = '张三'; | find_similar_vectors(query_vector, k=10) |
| 适用场景 | - OLTP 系统：用户管理、订单系统、库存管理 - 业务分析：财务报表、销售统计 - 任何需要精确、事务性操作的场景 | - AI 应用：以图搜图、人脸识别 - 语义搜索：比关键词搜索更懂你的意图 - 推荐系统：推荐与你喜欢的商品/内容相似的东西 - 大型语言模型 (LLM) ：为AI提供长期记忆、知识库问答 |
| 性能关键 | 精确查找的速度：能否通过索引快速定位到具体的某一行或某几行。 | 相似性搜索的速度和精度：能否在亿万级向量中，毫秒级地找到最相似的一批结果。 |
向量数据库召回技术细节
为什么向量数据库能那么快呢？因为它没有“暴力”地逐一比较，而是使用了一些非常高效的 ANN 索引算法。这些算法的核心思想都是 降维或分治，通过牺牲精度来换取巨大的速度提升。
ANN 搜索主流算法对比
| 方法类型 | 代表性算法/技术 | 核心原理 | 优点 | 缺点 |
|---|---|---|---|---|
| 基于树的方法 (Tree-based) | Annoy | 通过随机选择的超平面，递归地将整个向量空间分割成多个子空间，构建成二叉树（或多叉树）结构。查询时，通过遍历树来定位查询向量所在的子空间，并对该子空间及其邻近子空间内的向量进行搜索，从而限定搜索范围。 | 1. 实现原理相对简单。 2. 索引构建后内存占用较少。 | 为达到高精度，通常需要构建多棵树（森林），导致查询时需合并多棵树的结果，增加了查询时间开销。 |
| 基于哈希的方法 (LSH) | Locality-Sensitive Hashing (LSH) | 采用局部敏感哈希函数族对向量进行映射。这类函数的特性是：原始空间中距离相近的向量，经过哈希映射后，以高概率落入同一个哈希桶（bucket）。查询时，计算查询向量的哈希值，仅在对应的哈希桶中检索候选近邻点。 | 1. 具备严谨的理论保证。 2. 天然支持流式数据处理（新数据可独立哈希，无需重构整个索引）。 | 在高维数据下，为保证高召回率，需要构建大量的哈希表，导致内存消耗显著增加，实际性能常被其他方法超越。 |
| 基于图的方法 (Graph-based) | HNSW (Hierarchical Navigable Small World) | 结合了可导航小世界网络（NSW）和分层思想： 1. 邻近图构建： 为所有向量构建一个邻近关系图，每个节点（向量）仅与其最近的若干邻居相连。 2. 贪心搜索： 查询时，从一个入口点开始，在图中迭代地向着与查询目标更近的邻居节点移动，直到找到局部最优解。 3. 分层加速： 构建一个多层图结构，上层图稀疏，下层图密集。查询从顶层稀疏图开始快速定位，再逐层下降至密集图进行精确查找，大幅提升搜索效率。 | 1. 查询速度极快，召回率高。 2. 在多个基准测试中展现出卓越的综合性能，是当前的主流高性能方案。 | 1. 索引构建过程计算密集，耗时较长。 2. 图结构本身需要较大的内存开销。 |
| 基于量化的方法 (Quantization-based) | PQ (Product Quantization) | 一种有损压缩技术。将高维向量分割为多个低维子向量。对每个子向量空间独立运行聚类算法（如K-Means）以生成一个码本（codebook）。每个子向量由其所属聚类中心（质心）的ID来近似表示。最终，原始向量被编码为一组紧凑的码字ID，以减少存储和计算开销。 | 1. 通过向量压缩，显著降低索引的内存占用。 2. 适用于海量（十亿级别以上）数据集。 3. 通常与其他索引结构（如IVF）结合使用，提升性能。 | 量化过程是有损的，会引入量化误差，从而在一定程度上降低查询精度。 |
现代向量数据库（如 Milvus, Weaviate, Pinecone）通常会组合使用这些技术。
比如，先用 IVF (Inverted File) 进行一次粗粒度的“分区筛选”，然后在每个分区内部再使用 HNSW 或 PQ 进行精细的查找，以平衡速度、内存和精度。
安利一个很赞的开源向量数据库 Milvus，可以实现诸如全文检索、多模态召回、多模态相似性搜索、电影推荐等场景，本身支持分布式部署和 GPU 加速，非常强大！
RAG：检索增强生成
RAG 的英文全称是 Retrieval-Augmented Generation，意为检索增强生成，它的核心技术就是上文提到的文本向量模型和向量数据库，它是一个两阶段的过程：
- 检索（Retrieval） ：根据用户提出的问题，从一个外部的、可信的知识库中，精准地找出最相关的几段信息。增强生成（Augmented Generation） ：将用户原始的问题和上一步检索到的相关信息，一起打包成一个新的、内容更丰富的提示（Prompt），然后提交给 LLM，让它基于这些给定的信息来生成最终的答案。
RAG 的完整工作流程
阶段一：数据准备（离线处理）
这个阶段是数据的预处理过程，在用户开始提问之前就需要完成。
数据加载：首先需要根据实际业务需求确定知识来源。可以是公司的内部文档（PDF, Word, Confluence）、网站内容、产品手册、数据库记录等。
文本切分：一篇长文档对于检索来说太大了。如果直接检索整篇文档，信息的噪音会比较大。因此我们需要将文档切分成更小的、有意义的文本块。
- 常见的切分办法有：按段落、按固定字数，或者用更细致合理的规则、AI 大模型清洗等方式切分，确保每个 chunk 都包含一个相对完整的信息点。
向量化（Embedding） ：这是最关键的一步。使用上文提到的文本嵌入模型（Embedding Model） ，将每一个文本块转换成一个高维的数学向量（也就是 Text Embedding）。这个向量可以被认为是该文本块在“语义空间”中的坐标。语义上相近的文本块，其对应的向量在空间中的距离也更近。
数据索引与存储（Indexing & Storage） ：将生成的向量连同其原始文本块一起，存储到一个专门的数据库中。这种数据库被称为向量数据库（Vector Database） ，它经过特殊优化，能够极快地进行大规模向量的相似度搜索。
至此，知识库就准备好了，它现在是一个被向量化、索引化的、可供快速检索的状态。
阶段二：问答处理（在线处理）
这个阶段的逻辑是用户真正提出问题时触发的
用户提问：系统接收到用户的提问，例如：“Apple 公司的最新产品 VisionPro 有哪些核心功能？”
查询向量化：和数据准备阶段一样，系统使用同一个嵌入模型，将用户的提问也转换成一个查询向量。
- 注意：不同 Embedding 模型的向量维度和推理结果都不一样，所以这里一定需要使用同一个 Embedding 模型进行查询向量化。
向量检索：系统拿着查询向量去向量数据库中进行相似度搜索。目标是找到与查询向量在语义空间中距离最近的文本块向量。通常我们会取出最相似的 Top-K 个结果（比如 K=3 或 5）。这些被检索出来的文本块就是与问题最相关的信息。
构建增强提示：现在，系统拥有了两部分信息：
- 用户的原始问题：来自用户提问检索到的相关文本块：来自向量检索将这两部分信息拼接成一个结构化的提示即可。这个 Prompt 通常会这样设计：
请根据以下提供的上下文信息来回答用户的问题。如果上下文中没有足够的信息来回答，请明确告知。上下文信息：- [文本块1]- [文本块2]- [文本块3]用户问题：我们公司最新的AI产品‘VisionPro’有哪些核心功能？LLM 生成答案（Generation） ：将这个增强后的 Prompt 发送给大型语言模型（如 GPT-4.1）。LLM 会严格依据你提供的上下文信息，进行阅读、理解、总结，并生成一个精准的答案。比如它会回答：“根据提供的资料，‘VisionPro’的核心功能包括：空间计算能力、三维用户界面、以及与现有 Apple 生态的无缝集成。”
答案返回与溯源：最终的答案会返回给用户。一个优秀的 RAG 系统还会同时返回它参考了哪些原始文本块，这样用户就可以自主点击查看来源，验证信息的准确性，极大地增强了系统的可信度。
所以RAG 框架的核心流程是： 先通过文本嵌入将知识源向量化，再将这些向量存入向量数据库以待检索，最终在生成任务中，通过检索出的精确上下文来引导大语言模型，从而输出更可靠的答案。
总结
文本嵌入的本质是将任何文本片段（词、句、文档）转换为一个高维、稠密的数字向量的过程，其核心在于让语义相似的文本在向量空间中的位置也相互靠近。
向量数据库是一种专门用于高效存储、索引和查询海量高维向量的系统，其核心能力是基于向量间的距离或相似度，快速执行“近似最近邻”（ANN）检索。
RAG 的本质是一种通过从外部知识库中检索相关信息、并将其作为上下文注入到大语言模型提示词（Prompt）中的技术框架，用以增强模型回答的事实准确性和时效性。
