概念嵌入 / 向量嵌入 / 文本嵌入
Embeddings
将文本或其他内容转换为高维向量的技术，使内容可进行数学比较，是语义搜索、文档检索、推荐系统和RAG系统的核心基础技术
核心事实
时间轴 (近 90 天)
11月1日
在LangChain中，Embeddings、VectorStore和Retriever构成标准抽象：文档经切分后嵌入入库，查询时先嵌入问题再检索Top-K相关片段，拼入提示词交给LLM。
待验证50%
10月28日
真正的 RAG 是按语义检索（即 Embeddings），而教程中的关键词匹配是 RAG 的简化版。
待验证50%
10月4日
嵌入模型把文字、语音、图片等不同内容压缩成固定长度的数值向量，含义相近的内容其向量在高维空间中的距离更近
待验证50%
8月22日
嵌入将每个token映射到固定维度（如768或4096维）的稠密向量空间，语义相近的词彼此靠近
待验证60%
8月22日
嵌入空间存在线性类比关系，例如 vec(国王) - vec(男人) + vec(女人) ≈ vec(女王)
待验证50%
全部知识事实 (6)
已验证
Embedding是将文本转换为高维数值向量的过程，语义相近的文本在向量空间中距离更近
80%待验证嵌入将每个token映射到固定维度（如768或4096维）的稠密向量空间，语义相近的词彼此靠近
60%待验证在LangChain中，Embeddings、VectorStore和Retriever构成标准抽象：文档经切分后嵌入入库，查询时先嵌入问题再检索Top-K相关片段，拼入提示词交给LLM。
50%待验证真正的 RAG 是按语义检索（即 Embeddings），而教程中的关键词匹配是 RAG 的简化版。
50%待验证嵌入模型把文字、语音、图片等不同内容压缩成固定长度的数值向量，含义相近的内容其向量在高维空间中的距离更近
50%待验证嵌入空间存在线性类比关系，例如 vec(国王) - vec(男人) + vec(女人) ≈ vec(女王)
50%