"苹果手机"和"iPhone"在字面上毫无重叠，机器怎么知道它们是一回事？答案是 Embedding：把文字变成一串数字（向量），让语义相近的内容在数学空间里彼此靠近。
语义即距离
Embedding 模型把一段文本映射成一个高维向量（常见几百到几千维）。训练得当的话，意思相近的句子向量夹角就小。衡量这种"靠近"最常用的是余弦相似度：1 表示方向完全一致，0 表示无关，负数表示语义相反。
它能做什么
- 语义搜索：搜"怎么让猫多喝水"，能命中标题完全不同的《猫咪饮水量不足的对策》。
- 聚类与去重：把上千条笔记自动按主题分堆，找出重复内容。
- 推荐：读过什么，就找向量最近的下一篇。
RAG：大模型 + Embedding 的黄金组合
大模型知识有截止日期，也记不住你的私人资料。RAG（检索增强生成）的思路很朴素：先把你的文档切块，每块算出 Embedding 存进向量库；提问时把问题也算成向量，找出最相似的几个块，塞进提示词里让模型"开卷考试"。这样模型答的是你的资料，而不是它的记忆。
两个实践要点
- 切块大小要适中：太大检索不精准，太小丢失上下文，常见 300~800 字一块并保留少量重叠。
- Embedding 模型要和语言匹配，中文任务选中文效果好的模型，别默认用英文模型硬跑。
一句话总结：Embedding 是把"意思"变成"坐标"的翻译官，翻译得越好，机器对语义的理解就越准。