🔤 LLM 必备基础
Embedding 与向量检索
理解语义向量、相似度、索引和关键词检索的互补。
Embedding 将对象映射为向量。检索时把查询也向量化，用余弦相似度、点积或欧氏距离寻找近邻。
文档解析 → 语义切分 → 生成向量 → 写入索引
用户问题 → 查询向量 → Top-K → 过滤/重排 → 交给模型
- 相似度是数学接近，不是事实正确概率；
- 型号、错误码、人名等精确词常适合 BM25/关键词检索；
- 更换 Embedding 模型后，文档与查询向量要统一重建；
- 租户和权限过滤必须在检索层强制执行。
生产 RAG 常混合关键词和向量召回，再重排。是否有效要看 Recall@K 和真实回答质量。
关联面试题： F09 Embedding · E07 混合检索