嵌入（向量表示）

把文字、图片等对象映射成一串能衡量语义距离的数值，意思越接近，这串数值在空间里就靠得越近。

它是语义搜索、去重、聚类和检索增强生成的基础，理解它就知道一个知识库方案到底成不成立。

像给每句话办一张身份证：换一种说法描述同一件事，两张身份证在地图上的位置依然几乎重叠。

在 NotebookLM 或 Notion 问答里输入「怎么把纸质发票存进系统」，即使资料里写的是「扫描件录入流程」，也能被检索出来，靠的就是嵌入之间的空间距离。

• 误解：嵌入就是模型给出的答案。 事实：它只是一串数字，本身不可读，需要系统再做检索或交给模型使用。

• 误解：意思相近就一定距离很近。 事实：效果受训练数据与模型影响，专业术语和很短的文本区分度常常不如通用语义。

• 误解：只是存起来备用。 事实：搜索、推荐、去重和相似度判断全都依赖它，它是很多功能的底层零件。

• 误解：换一个嵌入模型影响不大。 事实：换了就要重建索引，检索效果也可能明显变化，需要重新评估。

• 检索增强生成先把你的资料切成片段建索引，提问时先检索出相关段落，再连同问题一起交给模型作答的方案。
• 向量数据库按语义相似度而非关键词存取数据的系统，把内容转成数值向量，比较时看「意思有多接近」。
• Token模型切分文本后的最小计量单位，介于字符与词之间；长度、计费和响应开销都按它算。
• 多模态模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。