Embedding
「如何退货」和「退款流程」字面不同，意思却近；关键词搜索经常漏掉后一句。Embedding 做的事，是把对象丢进一张语义地图：意思近的，坐标也近。
一句话：Embedding 把文本/图片等变成向量，让「相似」变得可计算——语义搜索与 RAG 都踩在这上面。
是什么
模型为对象输出固定长度的向量（如数百维浮点数）。相近语义或用途的对象，在向量空间里距离更近（常用余弦相似度/点积）。它不保证每个维度都有人类可解释的名字，但整体位置编码了训练里学到的关系。
为什么重要
支撑语义检索、推荐、聚类、去重，以及 RAG：文档切块 → 向量化入库 → 问题向量召回邻居 → 大模型基于证据回答。没有可靠 Embedding，RAG 很容易「检索跑偏还一本正经」。
怎么理解
像没标轴的城市地图：体育新闻一区、菜谱一区。搜索是找邻居，不是对门牌字符串。注意：相近 ≠ 正确；不同模型的向量坐标系也不互通，别混进同一索引。
一句话记住
Embedding = 给机器一张按「意思」找邻居的地图。
