嵌入向量
将文本或其他数据转化为高维向量表示的技术，是RAG系统中实现语义检索的核心基础组件
核心事实
时间轴 (近 90 天)
研究表明可以通过反演攻击从嵌入向量中近似还原原文语义，因此嵌入向量属于衍生敏感数据。
嵌入向量是将文本映射到高维空间中的稠密向量表示，通常由预训练语言模型生成。
向量数据库在存储关键决策记忆时无法区分新旧版本，因为嵌入向量只编码语义相似性，不编码“取代”关系。
RAG 的效果高度依赖语料质量，如果知识源混入导航栏、订阅按钮等 UI 噪音，嵌入向量会被无意义文本稀释，可能召回“Subscribe now”片段污染生成结果。
嵌入方案能捕获换词不换意，但每步需调用嵌入模型，成本与延迟显著上升，阈值调参不稳定。
将高维嵌入向量（如 768、1536 维浮点数组）存入 Span 属性会膨胀报文、增加序列化开销并耗尽下游存储引擎内存，且对人类不可读。
一个被拆到两个嵌入向量里的表格比没有表格更糟糕，模型会在孤立行之间编造关系。
向量数据库允许来自不同模型版本的嵌入向量在同一索引中共存，因为这些向量在数据类型上完全有效，即使几何意义已相互矛盾。
仅依赖向量搜索对精确匹配（如产品编号、错误ID、版本号和名称）无能为力，用户搜索'错误E4021'时向量搜索会丢失精确匹配。
嵌入向量通常是几百甚至上千维，人类无法直接感知
还有 7 条时间轴事件
全部知识事实 (18)
向量嵌入是将离散的文本、代码或经验转化为连续高维空间中数值向量的过程，使语义相近内容在向量空间中距离更近
70%已验证传统RAG通常采用向量相似度检索，但对结构化关系的捕捉能力有限
65%待验证研究表明可以通过反演攻击从嵌入向量中近似还原原文语义，因此嵌入向量属于衍生敏感数据。
50%待验证嵌入向量是将文本映射到高维空间中的稠密向量表示，通常由预训练语言模型生成。
50%待验证向量数据库在存储关键决策记忆时无法区分新旧版本，因为嵌入向量只编码语义相似性，不编码“取代”关系。
50%待验证RAG 的效果高度依赖语料质量，如果知识源混入导航栏、订阅按钮等 UI 噪音，嵌入向量会被无意义文本稀释，可能召回“Subscribe now”片段污染生成结果。
50%待验证嵌入方案能捕获换词不换意，但每步需调用嵌入模型，成本与延迟显著上升，阈值调参不稳定。
50%待验证将高维嵌入向量（如 768、1536 维浮点数组）存入 Span 属性会膨胀报文、增加序列化开销并耗尽下游存储引擎内存，且对人类不可读。
50%待验证一个被拆到两个嵌入向量里的表格比没有表格更糟糕，模型会在孤立行之间编造关系。
50%待验证向量数据库允许来自不同模型版本的嵌入向量在同一索引中共存，因为这些向量在数据类型上完全有效，即使几何意义已相互矛盾。
50%待验证仅依赖向量搜索对精确匹配（如产品编号、错误ID、版本号和名称）无能为力，用户搜索'错误E4021'时向量搜索会丢失精确匹配。
50%待验证嵌入向量通常是几百甚至上千维，人类无法直接感知
50%待验证嵌入模型不输出文字，只将输入转换为向量，向量的意义在于彼此之间的相对关系（嵌入空间）
50%待验证作者预训练阶段的模型把整个字体语料库映射成了一幅结构图，其中最出名的一张看起来像一朵花
50%待验证基于视觉嵌入的字体检索可以直接实现「找出长得像这个字体」的能力，突破传统依赖标签、名称或分类标注的局限
50%待验证嵌入向量的基本思想是将高维、离散或难以直接计算的对象映射为低维连续稠密向量，使语义或视觉相近的对象在向量空间中距离更近
50%待验证基于精确匹配的重复检测难以覆盖语义重复场景，可通过引入embedding余弦相似度判定语义重复
50%待验证一位开发者在Reddit上分享了他持续约一年的字体搜索工具项目，核心思路是用神经网络为每个字体生成嵌入向量并适配到字体检索任务
50%