AI入门25｜Embedding是什么？为什么AI能找到“意思相近”的内容？
讲知识库和 RAG 时，经常会遇到一个词：
Embedding。
中文一般叫：
嵌入，或者向量嵌入。
这个词听起来很数学，但普通用户不需要理解公式。
只要先记住一句话：
Embedding 是把文字、图片等内容转换成一组数字表示，让计算机可以比较它们在“语义上有多接近”。
一、传统搜索主要看“字面上像不像”
比如你在资料库里搜索：
“解除劳动合同”。
传统关键词搜索往往优先寻找真的出现了“解除劳动合同”这几个字的文件。
但现实中，同一个意思可能有很多不同说法：
辞退员工；
终止劳动关系；
解除劳动关系；
不胜任解除。
如果只按字面匹配，就可能漏掉很多真正相关的材料。
二、Embedding试图比较“意思像不像”
Embedding 的做法，可以粗略理解为：
先把一段文字转换成一串数字。
这串数字不是文章编号，也不是简单的字符编码。
它会尽量保留内容的某些语义特征。
于是：
意思接近的内容，数字表示也会更接近；
意思差得很远的内容，距离往往也更远。
因此系统可以搜索：
“哪些内容和这个问题在语义上最相似？”
而不只是：
“哪些文件出现了同样的关键词？”
三、什么是“向量”？
你会经常看到另一个词：
Vector，向量。
对于AI入门来说，不需要研究数学定义。
可以把它理解成：
一组用来表示某段内容特征的数字坐标。
比如一段话经过 Embedding 模型处理后，可能变成几百甚至几千个数字。
系统再通过这些数字计算不同内容之间的相似程度。
所以“向量搜索”本质上就是：
根据这些数字表示寻找语义上更接近的内容。
四、这和AI知识库有什么关系？
关系非常大。
假设知识库里有一万份文件。
用户问：
“IPO里劳务派遣超过法定比例通常怎么整改？”
系统不可能每次都把一万份文件交给大模型阅读。
一种常见做法是：
先把知识库中的内容提前做 Embedding；
用户的问题也做 Embedding；
比较两边的向量；
找到语义最接近的几个片段；
再把这些片段交给大模型分析。
所以 Embedding 常常是知识库“找资料”能力背后的基础之一。
五、Embedding不是大模型本身的“记忆”
这一点也容易混淆。
把一批文档做成 Embedding，并不代表：
大模型已经把这些文档训练进去了。
更像是：
系统为这些资料建立了一套方便检索的“语义坐标”。
需要的时候再找出来。
所以：
Embedding 是检索技术。
不是模型训练。
六、Embedding也不会自动理解一切
语义检索很有用，但并不是百分之百准确。
比如专业法律资料里：
两个条款文字很像，但法律效果完全不同；
同一个词在不同监管场景含义不同；
旧法规和新法规语义高度相似，却不能混用。
这时候单靠“相似度”就不够。
还需要结合：
关键词；
标签；
时间；
来源；
效力状态；
其他结构化条件。
因此真正好的检索系统通常不是只靠一种方法。
七、Embedding为什么值得普通用户了解？
因为它解释了一个很常见的现象：
为什么今天的知识库可以在你没有输入完全相同关键词的情况下，仍然找到“意思差不多”的资料。
也解释了为什么知识库有时候会找错：
系统认为两段内容“很像”，但在你的专业语境里其实并不等价。
八、这一篇只需要记住两句话
第一：
Embedding把内容转换成可以比较语义相似度的数字表示。
第二：
它让AI知识库可以从“关键词搜索”进一步走向“按意思搜索”。
下一篇就可以继续讲它最常见的应用之一：
RAG。
也就是为什么很多AI在回答问题之前，会先从知识库里找资料，再生成答案。
