待验证50% 置信事实精确时间
RAG的向量检索依赖Embedding模型将文本编码为稠密向量，通常为512至4096维，通过余弦相似度或内积计算语义距离
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
AI Agent入门：原理、框架与企业级智能体搭建指南
bilibili大模型喂饭级教程2026/7/11
相关事实
待验证文本经Embedding模型编码为768至3072维的浮点向量，存入向量数据库后通过近似最近邻算法（HNSW、IVF等）在毫秒级完成相似度检索80% 相似已验证text-embedding-ada-002将文本转化为1536维的稠密向量，语义相近的文本在向量空间中距离更近74% 相似待验证现代Embedding模型（如OpenAI的text-embedding-ada-002、阿里的千问Embedding系列）能够将整个句子或段落编码为固定维度的稠密向量，通常为768维或1024维74% 相似待验证RAG 依赖向量嵌入技术，将文本转化为高维数值向量，使语义相近内容在向量空间中距离更近74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/489806API
curl https://kongchang.com/api/v1/knowledge/claims/489806MCP
get_claim(id=489806)