Embedding（嵌入向量）
先用一句话说清楚
Embedding（嵌入向量）是把文本、图片或其他内容转换成向量表示的方法，让系统能够按语义相似度检索内容。
新手通俗解释
计算机不懂“退货政策”和“售后退款规则”意思接近。Embedding（嵌入向量）会把文本转换成一串数字向量，让意思相近的内容在向量空间里更接近。这样用户问“买错了能不能退”，系统也可能找到“七天无理由退货政策”。
在 RAG（检索增强生成）里，Embedding（嵌入向量）通常用于把文档片段和用户问题都转换成向量，然后找相似片段。
为什么智能体工程师岗位会问它
面试官问 Embedding（嵌入向量），不是要你讲数学公式，而是看你是否理解语义检索的基础，以及为什么 RAG（检索增强生成）不是简单关键词搜索。
常见考察点：
| 考察点 | 应该怎么讲 |
|---|---|
| 作用 | 把文本变成可检索的向量表示 |
| 使用位置 | 文档入库和用户查询时都会用 |
| 版本一致 | 文档向量和查询向量要使用兼容模型 |
| 局限 | 语义相似不等于答案正确 |
| 评估 | 要用命中率、引用支持率和失败样例评估 |
它在项目里到底怎么用
在企业知识库项目中，Embedding（嵌入向量）一般出现在两个阶段：
| 阶段 | 做什么 | 注意事项 |
|---|---|---|
| 入库阶段 | 把 Chunk（分块）后的文档片段转换成向量并写入 Vector Database（向量数据库） | 记录来源、版本、权限和模型版本 |
| 查询阶段 | 把用户问题转换成向量并检索相似片段 | 用户问题可能需要先改写成更适合检索的查询 |
Embedding（嵌入向量）不是孤立能力。它要和 Chunk（分块）、Metadata（元数据）、Vector Database（向量数据库）、Reranker（重排序器）和 Citation（引用来源）配合，才能产出可信回答。
和关键词检索的区别
关键词检索擅长精确词匹配，比如合同编号、产品型号、固定术语。Embedding（嵌入向量）擅长语义相似，比如“怎么退款”和“退货流程”意思接近。真实项目经常把两者结合成 Hybrid Search（混合检索），再用 Reranker（重排序器）提高最终片段质量。
面试时不要贬低关键词检索。更成熟的说法是：向量检索和关键词检索解决不同问题，企业知识库通常需要组合。
常见误解
| 误解 | 为什么不对 | 正确理解 |
|---|---|---|
| Embedding（嵌入向量）越相似，答案一定越正确 | 相似片段可能只是话题相近 | 还要看是否支持问题结论 |
| 向量检索可以替代关键词检索 | 精确编号、姓名、型号可能需要关键词 | 混合检索更稳 |
| 换 Embedding（嵌入向量）模型不影响旧索引 | 向量空间可能不同 | 需要重建或管理索引版本 |
| 文档越多越好 | 低质量资料会污染检索 | 入库前要做资料治理 |
面试官可能怎么追问
1. Embedding（嵌入向量）在 RAG（检索增强生成）里起什么作用？
考察点： 是否理解语义检索。
参考回答： Embedding（嵌入向量）把文档片段和用户问题转换成向量，方便按语义相似度找相关内容。它解决的是“从大量资料中找到可能相关的证据”，但不能保证证据一定支持答案，所以还需要重排、引用和评估。
容易扣分： 说“Embedding（嵌入向量）就是让模型记住文档”。
2. 为什么向量检索不准？
考察点： 是否能分层定位。
参考回答： 可能是 Chunk（分块）破坏语义、Embedding（嵌入向量）模型不适合领域、用户问题表达太口语、Metadata（元数据）过滤不对、资料本身质量差、只用向量没结合关键词，或者没有 Reranker（重排序器）二次排序。
容易扣分： 只怪向量数据库。
3. Embedding（嵌入向量）模型怎么选？
考察点： 是否懂取舍。
参考回答： 我会看中文效果、领域适配、成本、延迟、批处理能力、向量维度、服务稳定性和是否便于重建索引。选择后要用业务问题集评估，而不是只看榜单。
容易扣分： 只说“选最贵或最新的”。
作品集里怎么展示它
作品集里可以展示：
- 同一个用户问题命中了哪些文档片段。
- 为什么这些片段相似，哪些片段被过滤掉。
- Embedding（嵌入向量）模型版本和索引版本如何记录。
- 向量检索和 BM25（关键词相关性排序算法）混合后的结果差异。
- 失败样例：语义相似但答案不支持时如何处理。