Unverified50% confidenceFactExact time
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
Sources
50%
Confidence
Long-term
Relevance
7/12/2026
First Seen
Sources
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7/11/2026
Related Claims
Unverified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% similarVerifiedtext-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% similarUnverified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% similarUnverifiedRAG 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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/489806API
curl https://kongchang.com/api/v1/knowledge/claims/489806MCP
get_claim(id=489806)