Embedding 与向量数据库：语义理解的基础设施

Embedding 与向量数据库：语义理解的基础设施

AI 核心技能系列 · 第 4 篇

---

导语

大模型很强，但它有一个致命弱点：记忆有限。你公司的内部文档、产品手册、客户历史记录——这些数据模型统统不知道。怎么让模型在海量私有数据中快速找到相关信息？

答案是两个关键技术：Embedding（嵌入） 和 向量数据库。Embedding 负责把文本转换成数字向量（语义相似 = 向量接近），向量数据库负责在百万级向量中毫秒级找到最相似的。

这两者是 RAG、语义搜索、推荐系统的底层基石，也是下一篇 RAG 文章的前置知识。

---

一、什么是 Embedding：把万物变成向量

1.1 直觉理解

Embedding 的核心思想：语义相似 = 向量接近。

"猫在沙发上睡觉"  → [0.23, 0.87, -0.12, 0.45, ...]  ─┐ 距离近
"小猫躺在沙发上"  → [0.25, 0.85, -0.10, 0.43, ...]  ─┘ （语义相似）"今天股市大涨"    → [-0.67, 0.12, 0.89, -0.34, ...]     距离远（语义不相关）

每个文本被转换成一个固定长度的数字向量（比如 1536 维），向量在高维空间中的位置关系反映了语义关系。

1.2 从 Word2Vec 到 Sentence Embedding

阶段	年份	代表	关键突破
静态词向量	2013	Word2Vec, GloVe	"king - man + woman ≈ queen"
上下文词向量	2018	ELMo, BERT	同一个词在不同上下文有不同向量
句子向量	2019	Sentence-BERT	直接生成句子级别的语义向量
现代 Embedding	2023+	BGE-M3, text-embedding-3	高质量、多语言、多粒度

1.3 稠密 vs 稀疏

• 稠密向量（Dense）：每个维度都有值，如 [0.23, 0.87, -0.12, ...]，捕获语义信息
• 稀疏向量（Sparse）：大部分维度为 0，如 TF-IDF/BM25，捕获关键词匹配
• 混合方式：两者结合效果最好（后面会讲）

---

二、主流 Embedding 模型对比

模型	厂商	维度	多语言	定价/1M tokens	特点
text-embedding-3-large	OpenAI	3072	好	$0.13	维度可调，性价比高
text-embedding-3-small	OpenAI	1536	好	$0.02	极便宜
Embed v3	Cohere	1024	好	$0.10	支持搜索/分类不同用途
Voyage AI 3	Voyage	1024	好	$0.06	代码 Embedding 最强
BGE-M3	BAAI	1024	优秀	免费（开源）	多语言多粒度多功能
GTE-Qwen2	阿里	1536	优秀	免费（开源）	中文最强梯队
E5-Mistral	微软	4096	好	免费（开源）	基于 LLM 的 Embedding

代码示例：调用 OpenAI Embedding

from openai import OpenAI
import numpy as npclient = OpenAI()def get_embedding(text, model="text-embedding-3-small"):response = client.embeddings.create(input=text, model=model)return response.data[0].embedding# 生成 Embedding
emb1 = get_embedding("猫在沙发上睡觉")
emb2 = get_embedding("小猫躺在沙发上打盹")
emb3 = get_embedding("今天股市大涨")# 计算余弦相似度
def cosine_similarity(a, b):return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))print(f"猫睡觉 vs 猫打盹: {cosine_similarity(emb1, emb2):.4f}")  # ~0.95 高相似
print(f"猫睡觉 vs 股市大涨: {cosine_similarity(emb1, emb3):.4f}")  # ~0.15 低相似

---

三、向量相似度搜索：原理与算法

3.1 距离度量

度量方式	公式	适用场景	值域
余弦相似度	\(\cos(A,B) = \frac{A \cdot B}{|A| \cdot |B|}\)	文本语义搜索（最常用）	\([-1, 1]\)
欧氏距离	\(d(A,B) = |A - B|_2\)	需要考虑向量大小的场景	\([0, +\infty)\)
点积	\(A \cdot B\)	归一化后的向量	\((-\infty, +\infty)\)

实践中余弦相似度用得最多——它只关心方向不关心大小，更符合"语义相似"的直觉。

3.2 精确搜索 vs 近似最近邻（ANN）

精确搜索（暴力遍历）在数据量大时不可行——100 万条向量，每条 1536 维，每次查询都要计算 100 万次距离。

ANN（Approximate Nearest Neighbor） 用空间换时间，牺牲一点精度换取几个数量级的速度提升。

算法	核心思想	时间复杂度	特点
HNSW	多层跳表图，从高层粗搜到底层精搜	O(log n)	最流行，查询快，内存大
IVF	先聚类再只搜最近的几个簇	O(n/k)	适合大数据集，需要训练
PQ (Product Quantization)	向量压缩，减少内存和计算	O(n) 但常数小	内存效率极高
HNSW + PQ	组合使用	O(log n)	兼顾速度和内存

HNSW 直觉理解：

想象一个城市地图：
- 第 0 层（底层）：所有建筑（所有向量）
- 第 1 层：主要建筑
- 第 2 层：地标建筑
- 第 3 层（顶层）：只有几个核心地标搜索过程：
1. 从顶层的某个地标出发
2. 在当前层找最近的邻居
3. 下到下一层，继续搜索
4. 一路到底层，找到精确的最近邻

---

四、向量数据库选型指南

4.1 主流向量数据库对比

数据库	类型	语言	部署方式	性能	特点
Milvus	专用向量库	Go/C++	自部署/云服务	极高	分布式、功能全面、生产级
Pinecone	专用向量库	-	纯云服务	高	开箱即用、免运维
Qdrant	专用向量库	Rust	自部署/云	极高	Rust 实现、性能优秀
Weaviate	专用向量库	Go	自部署/云	高	内置混合搜索
Chroma	轻量级	Python	本地/嵌入式	中	极简、适合原型
FAISS	索引库	C++/Python	嵌入式	极高	Meta 出品，纯索引
pgvector	PG 扩展	C	跟 PostgreSQL	中	已有 PG 可直接用

4.2 选型决策

你的场景是什么？
│
├── 原型开发 / PoC
│   └── Chroma（Python 原生，5 行代码搞定）
│
├── 已有 PostgreSQL
│   └── pgvector（零运维成本，直接加扩展）
│
├── 不想运维
│   └── Pinecone（纯托管，按量付费）
│
├── 百万~千万级数据，需要高性能
│   ├── 需要分布式 → Milvus
│   └── 单机够用 → Qdrant
│
└── 纯研究 / Benchmark└── FAISS（纯索引库，最灵活）

---

五、实战：构建一个语义搜索系统

import chromadb
from openai import OpenAIclient = OpenAI()# 1. 初始化 Chroma
chroma_client = chromadb.Client()
collection = chroma_client.create_collection(name="knowledge_base",metadata={"hnsw:space": "cosine"}  # 使用余弦相似度
)# 2. 准备数据
documents = ["Python 是一种解释型、面向对象的高级编程语言","机器学习是人工智能的一个分支，通过数据训练模型","Docker 是一个开源的容器化平台，用于自动化部署应用","React 是 Facebook 开发的 JavaScript 前端框架","深度学习使用多层神经网络来学习数据的层次表示","Kubernetes 是一个开源的容器编排平台","自然语言处理是计算机科学和 AI 的交叉领域","PostgreSQL 是一个强大的开源关系型数据库",
]# 3. 生成 Embedding 并存入
def get_embeddings(texts):response = client.embeddings.create(input=texts, model="text-embedding-3-small")return [item.embedding for item in response.data]embeddings = get_embeddings(documents)collection.add(documents=documents,embeddings=embeddings,ids=[f"doc_{i}" for i in range(len(documents))],
)# 4. 语义搜索
query = "怎么用 AI 处理文本数据？"
query_embedding = get_embeddings([query])[0]results = collection.query(query_embeddings=[query_embedding],n_results=3,
)print("查询:", query)
print("最相关的文档:")
for i, doc in enumerate(results["documents"][0]):dist = results["distances"][0][i]print(f"  {i+1}. [{dist:.4f}] {doc}")# 输出:
# 1. [0.1823] 自然语言处理是计算机科学和 AI 的交叉领域
# 2. [0.2156] 机器学习是人工智能的一个分支，通过数据训练模型
# 3. [0.2891] 深度学习使用多层神经网络来学习数据的层次表示

---

六、最佳实践与避坑指南

6.1 Embedding 模型选型

场景	推荐模型	理由
英文为主	text-embedding-3-small	便宜够用
中文为主	GTE-Qwen2 / BGE-M3	中文优化
代码搜索	Voyage Code 3	代码 Embedding 最强
数据不能出境	BGE-M3（自部署）	开源免费
需要极致性能	text-embedding-3-large	维度更高，精度更好

6.2 关键避坑点

1. 查询和文档用同一个模型：不同模型的向量空间不兼容
2. 文本预处理影响大：去除 HTML 标签、特殊字符、过长文本截断
3. 分块大小很重要：太大语义不精确，太小丢失上下文（下一篇 RAG 详讲）
4. Embedding 模型更换需全量重建：换模型 = 重新生成所有向量
5. 不要忽略混合搜索：向量搜索 + 关键词搜索（BM25）组合效果通常更好

6.3 混合搜索示例

# 混合搜索：结合向量检索和关键词检索
def hybrid_search(query, documents, alpha=0.7):"""alpha: 向量检索的权重（0-1）1-alpha: 关键词检索的权重"""# 向量检索得分vector_scores = vector_search(query, documents)# BM25 关键词检索得分bm25_scores = bm25_search(query, documents)# 归一化后加权合并final_scores = {}for doc_id in set(list(vector_scores) + list(bm25_scores)):v_score = normalize(vector_scores.get(doc_id, 0))k_score = normalize(bm25_scores.get(doc_id, 0))final_scores[doc_id] = alpha * v_score + (1 - alpha) * k_scorereturn sorted(final_scores.items(), key=lambda x: x[1], reverse=True)

---

七、职业视角

7.1 面试高频问题

问题	核心答案要点
Embedding 是什么？	将文本映射到高维向量空间，语义相似的文本距离接近
向量数据库和传统数据库的区别？	传统 DB 精确匹配，向量 DB 相似性搜索；索引结构不同（B-tree vs HNSW）
HNSW 算法的原理？	多层跳表图结构，从高层粗搜到底层精搜，O(log n) 时间复杂度
为什么需要混合搜索？	向量搜索捕获语义，关键词搜索捕获精确匹配，组合更全面

7.2 岗位价值

Embedding + 向量数据库是 RAG、搜索、推荐等方向的必备基础。掌握这个技能，你就具备了构建语义搜索系统的核心能力——这正是大量 AI 应用岗位的核心要求。

---

总结

1. Embedding 本质：将文本映射到向量空间，语义相似 = 向量接近
2. 模型选择：OpenAI 方便，开源（BGE-M3/GTE）免费可自部署，按场景选
3. ANN 算法：HNSW 最流行，IVF + PQ 适合超大规模数据
4. 向量数据库：原型用 Chroma，生产用 Milvus/Qdrant，已有 PG 用 pgvector
5. 混合搜索：向量 + BM25 关键词，效果通常优于单一方式

---

本文是 AI 核心技能系列 第 4 篇，共 12 篇。上一篇：Prompt Engineering | 下一篇：RAG 从零到一

关注公众号「coft」，获取完整系列更新、配套代码和学习路线图。一起交流 AI 转行经验，助力职业跃升，迈向高薪岗位。