Unverified50% confidenceFactExact time
Embedding 模型只负责文本转向量这一步，向量存储到哪个数据库是相对独立的工程选择
1
Sources
50%
Confidence
Long-term
Relevance
9/25/2026
First Seen
Sources
Related Entities
Related Claims
Unverified语义缓存通过Embedding模型将查询转化为向量，在向量空间中进行相似度检索，当相似度超过设定阈值时直接返回缓存结果67% similarUnverified模型采用N-Gram Embedding，将多个Embedding组合成局部上下文查找表，可显著增大参数容量而几乎不增加Token计算量67% similarUnverified双塔模型将查询和文档分别编码为独立向量，文档向量可离线预计算并建索引，检索速度快但无法建模词级交互66% similarUnverifiedEmbedding 模型是将文本映射到连续向量空间的神经网络，其核心假设是语义相似的文本其向量距离也应相近66% similarUnverified不同embedding模型生成的向量在语义空间中不可直接比较，一旦更换模型，向量库中所有历史向量都必须用新模型重新生成65% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/949754API
curl https://kongchang.com/api/v1/knowledge/claims/949754MCP
get_claim(id=949754)