🧠 基础概念

Embedding（嵌入与向量化）

别名：嵌入向量嵌入文本嵌入Vector Embedding语义向量

Embedding 是将文本、图像等非结构化数据转换为高维向量（Vector）的技术。在 AI Agent 生态中，Embedding 是实现语义搜索、RAG 和记忆系统的核心技术。

关键要点 ✦

Embedding（嵌入）是将文字、图像等非结构化数据映射到高维向量空间的技术。在 AI 领域，Embedding 将语义信息编码为数学向量——语义相似的文本在向量空间中距离更近，语义不同的文本距离更远。

在 AI Agent 生态中，Embedding 是 RAG 检索、长期记忆和语义搜索的核心基础设施。没有 Embedding，Agent 就无法从海量文档中快速定位相关信息。

语义编码：Embedding 捕捉的是语义而非关键词。'猫'和'宠物'的向量距离比'猫'和'汽车'更近。

固定维度：无论输入文本多长（最大约 8192 Token），输出向量长度固定。

计算方式：通过余弦相似度（Cosine Similarity）或点积（Dot Product）计算向量之间的语义相似度。

主流模型：OpenAI text-embedding-3-small（1536维）、text-embedding-3-large（3072维）、Cohere Embed v3（1024维）、BGE（中国，1024维）。

RAG 检索：将用户查询和文档片段分别 Embedding，找到最相关的文档。

Agent 记忆：Agent 的长期记忆使用 Embedding + 向量数据库存储和检索。

工具路由：通过 Embedding 判断用户意图，路由到对应的工具或 Agent。

语义缓存：缓存常见问题的 Embedding 和答案，减少 LLM 调用成本。

RAG 知识库

将企业文档 Embedding 后存入向量数据库，Agent 通过语义搜索快速检索相关信息。

Agent 长期记忆

将历史对话 Embedding 后存储，Agent 在后续对话中检索相关记忆。

代码语义搜索

将代码库 Embedding，支持基于语义的代码搜索和相似代码检测。

多模态 Embedding 是 2026 年的重要趋势——将文本、图像、音频映射到同一向量空间，使 Agent 能跨模态检索和理解信息。OpenAI 和 Cohere 均已发布多模态嵌入模型。

🏷️ 标签Embedding向量语义搜索RAG向量数据库