Embedding
Embedding（嵌入）是一种将离散对象（如文本、图像、用户行为等）映射为低维连续向量空间中稠密向量的表示学习技术。其核心特征是语义相似的对象在向量空间中距离相近，从而使计算机能够捕捉对象间的语义关系。Embedding广泛应用于自然语言处理、推荐系统、信息检索等领域，是深度学习模型处理非数值型数据的基础方法。
核心事实
时间轴 (近 90 天)
RAG的难点不在跑通Demo，而在检索准确率，切分粒度、Embedding模型选择、召回策略都会影响最终效果。
Semantic Memory 将对话内容通过 Embedding 存入向量数据库，检索时按语义相似度召回，其链路与 RAG 一致，区别在于知识来源是历史对话而非外部文档。
标准做法是每个块生成一个embedding向量，当块内混合多个主题时，该向量是各主题语义的平均，导致针对单一细节的查询难以精确匹配。
RAG检索流程为：问题 → 改写 → 嵌入 → top-k → 重排 → 上下文 → LLM。模型不执行搜索，是应用代码进行搜索并将结果放入上下文。Embedding使用专门训练的模型将文本转为定长向量，以余弦相似度衡量语义距离。
Embedding调用价格通常比LLM调用低一到两个数量级，这是语义缓存经济上成立的前提。
Embedding是把文本、URL或页面内容映射为高维向量的技术，可用于衡量语义相似度，在SEO内链场景中能发现用词不同但主题一致的链接机会，但输出仍需人工审核。
在该待办应用中，每个任务都被转化为一个 embedding 向量，使得搜索'牛奶'时系统能召回'采购乳制品'和'情感支持酸奶'等语义相近的任务。
Embedding是把文本、图像等非结构化数据映射为高维稠密向量的技术。
项目通过Transformers框架加载原始模型文件在本地算力上运行Embedding，不再依赖平台一键转换。
Embedding模型是深度神经网络，将文本映射到固定维度的稠密向量空间（如768维或1536维），常用余弦相似度衡量语义接近程度，取值范围为-1到1。
还有 33 条时间轴事件
全部知识事实 (20)
混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答
90%已验证RAG的工作原理分为检索阶段（将问题转为向量从知识库召回相关内容）和生成阶段（将召回上下文与问题输入模型作答）
80%已验证语义搜索将文本转换为高维向量，通过计算余弦相似度找出最相关的结论，使得不同表述方式的查询也能命中语义相符的结果
80%已验证向量数据库如FAISS、Chroma、Weaviate通过将文本编码为高维向量建立索引，能毫秒级完成语义相似度检索
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%已验证向量数据库存储的是文本经过Embedding模型转换后的高维向量，通常为768或1536维
80%已验证Embedding模型通常将文本映射到768或1536维的高维向量空间
80%已验证Embedding是将文本转换为高维数值向量的过程，语义相近的文本在向量空间中距离更近
80%已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%已验证Voyage AI 以高质量的文本嵌入（embedding）模型著称，广泛用于 RAG、语义搜索和向量化场景
75%已验证Transformer每层包含多头自注意力和前馈神经网络两个核心子模块
75%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%已验证生产级RAG系统通常构建向量检索、知识图谱、关键词倒排索引三路混合检索并全部融合
70%已验证完整的RAG系统通常包含文档分块、向量嵌入、向量存储、语义检索和增强生成五个环节
70%已验证长期记忆检索底层依赖向量数据库技术，通过Embedding模型将文本转化为高维向量
70%已验证基于私有文档的 RAG 模式价值高度依赖用户前期资料质量，若文档组织混乱、内容过时或格式不统一，检索质量会相应下降
65%已验证知识库底层依赖RAG（Retrieval-Augmented Generation，检索增强生成）技术，将私有文档切片后通过Embedding模型转化为高维向量存入向量数据库
65%待验证索引阶段和查询阶段必须使用同一个Embedding模型，否则向量空间不一致会导致检索完全失效
95%待验证现代Embedding模型通常基于Transformer架构，通过对比学习在大规模文本对上训练，向量维度通常在768到1536之间
90%