[智能体-275]：无论是词向量，还是文本向量，本质上是把自然语言的文字，转换成大模型能够识别的特性向量，能够表征语言文字自身的内在语义特征，作为大模型的输入
词向量、文本向量的统一本质：自然语言→实数特征向量，把人类语义翻译成模型可运算的数字（原始信息与特征），作为各类 NLP 模型、大模型的标准化输入。模型能够根据这些信息特征，进行更深层析信息与特征的提取。
一、分层对应前面四条技术路线
- OneHot（单词稀疏向量）文字→稀疏数字，仅完成字符 / 单词数字化，几乎不带语义，只能区分词语不同，无法表达词义关联，是最原始的输入特征。
- BoW 词袋（文本稀疏向量）整段文本按词频转为稀疏特征，实现整句数字化，只统计词语出现次数，丢失语序、内在语义，传统机器学习（朴素贝叶斯、SVM）的经典输入。
- Word2Vec（单词稠密向量）单个词语映射低维稠密小数，嵌入词语内在语义，近义词向量空间靠近，给下游分类、聚类提供带词义的单词特征；若要做文本输入，只能用词向量平均 / 求和拼接。
- BGE/E5（文本稠密向量）直接对整句、段落编码，完整承载全文语义、语序、上下文逻辑、隐含意图，是当下 RAG 检索、大模型知识库召回、文本匹配的主流输入向量。
二、统一核心作用
- 格式转化：计算机不能读懂汉字、英文，只能计算浮点数字，向量就是语言与模型之间的翻译桥梁；
- 语义封装：优秀的稠密向量（Word2Vec/BGE）不再只是符号编号，把词义、段落含义压缩在一串数字里；
- 统一输入：无论单词还是段落，最终统一为固定长度数组，满足神经网络、大模型对输入格式的要求。
三、演进逻辑闭环
从无意义编号（OneHot/BoW 稀疏）→承载单词语义（Word2Vec 稠密词向量）→承载全文语义（BGE 稠密文本向量）迭代目标始终不变：让向量越来越贴近人类真实语义，给模型高质量输入。
四、补充：大模型视角
大模型内部的 Embedding 层本质也是词向量，和 Word2Vec 逻辑同源；而 BGE 这类句向量常作为大模型外挂知识库的检索输入，先向量匹配召回相关文档，再送入大模型做生成，是大模型落地必不可少的前置特征。