摘要：在大语言模型（LLM）主导的生成式 AI 浪潮中，检索增强生成（Retrieval-Augmented Generation，RAG）凭借 “外部知识检索 + 模型生成” 的模式，解决了 LLM “知识过时”“幻觉输出” 等关键问题，成为企业落地 AI 应用的

在大语言模型（LLM）主导的生成式 AI 浪潮中，检索增强生成（Retrieval-Augmented Generation，RAG）凭借 “外部知识检索 + 模型生成” 的模式，解决了 LLM “知识过时”“幻觉输出” 等关键问题，成为企业落地 AI 应用的核心方案。而支撑 RAG 实现 “精准检索” 的底层技术，正是Embedding（嵌入）技术。本文将从技术本质、工作原理、在 RAG 中的应用流程，到技术挑战与演进方向，全面解析这一 “连接文本与机器理解” 的关键技术。

简单来说，Embedding 技术是一种将非结构化数据（如文本、图片、音频）转化为结构化 “数字向量”（Vector） 的技术。这些向量就像数据的 “数字身份证”，不仅能被计算机快速处理，还能通过向量间的 “距离”（如余弦距离、欧氏距离）衡量原始数据的 “语义相似度”—— 距离越近，代表两个数据的含义越相似。

人类能轻松理解 “猫” 和 “猫咪” 是相近概念，“苹果（水果）” 和 “苹果（公司）” 是不同含义，但计算机无法直接理解文字的语义。例如，直接将 “猫” 和 “狗” 用二进制 “01”“10” 表示时，计算机只能识别 “编码不同”，却无法判断 “两者都是哺乳动物” 这一语义关联。

Embedding 技术的核心价值，就是为文字赋予 “语义层面的数字表达”。比如：

（1）“猫” 的 Embedding 向量可能是：[0.21, 0.85, -0.12, 0.33, ..., 0.67]（假设维度为 768）

（2）“猫咪” 的 Embedding 向量可能是：[0.23, 0.82, -0.11, 0.35, ..., 0.69]

（3）“狗” 的 Embedding 向量可能是：[0.78, 0.15, -0.09, 0.42, ..., 0.21]

通过计算向量距离会发现：“猫” 与 “猫咪” 的余弦距离接近 0（相似度极高），而 “猫” 与 “狗” 的距离明显更大（相似度较低）—— 这正是机器理解语义的关键。

Embedding 模型并非单一结构，而是经历了 “词嵌入模型（如 Word2Vec）→ 上下文词嵌入模型（如 BERT）→ 句子嵌入模型（如 Sentence-BERT）” 的演进。不同架构的核心差异在于 “是否能捕捉上下文语义”，这直接决定了 Embedding 向量的语义表达能力。

举个直观例子：

输入句子 “我用苹果手机查苹果的价格”，不同模型的输出差异如下：

（1）Word2Vec：两个 “苹果” 的向量完全相同（[0.32, 0.51, -0.17, ...]），无法区分 “公司” 和 “水果” 含义；

（2）BERT：第一个 “苹果”（修饰手机）的向量为[0.45, 0.62, -0.21, ...]，第二个 “苹果”（指水果）的向量为[0.28, 0.48, -0.15, ...]，但需对句子中所有词向量取平均才能得到句子向量，计算成本高；

（3）Sentence-BERT：直接输出整个句子的向量[0.39, 0.55, -0.19, ...]，且能隐含 “第一个苹果指公司，第二个指水果” 的上下文关联，速度比 BERT 快 100 倍以上，完美适配 RAG 的批量向量生成需求。

当前主流的 Sentence-BERT、OpenAI Embedding 模型，均基于Transformer编码器（Encoder） 构建，其核心是 “自注意力机制（Self-Attention）”—— 让模型在处理每个词时，都能 “看到” 句子中其他词的信息，从而理解语义关联。

我们以 “如何用 Python 读取 Excel 文件” 这句话为例，拆解自注意力机制的工作过程：

1.词的 “注意力权重” 计算

模型会为每个词（如 “Python”）计算与其他词（“用”“读取”“Excel”“文件”）的 “注意力权重”，权重越高代表关联性越强。例如：

（1）“Python” 与 “读取” 的权重为 0.82（强关联，因为 Python 是实现读取动作的工具）；

（2）“Python” 与 “如何” 的权重为 0.15（弱关联，“如何” 是疑问词，与工具无关）。

2.加权融合上下文信息

每个词的向量会融合 “其他词向量 × 注意力权重” 的结果。例如，“Python” 的最终向量 =（“读取” 向量 ×0.82）+（“Excel” 向量 ×0.75）+（“如何” 向量 ×0.15）+ ... ，从而让 “Python” 的向量隐含 “用于读取 Excel 文件” 的上下文含义。

3.多层堆叠强化理解

Transformer 编码器通常包含 6-12 层（如 BERT-base 有 12 层），每一层都会重复 “计算注意力权重→融合上下文” 的过程。例如，第一层可能只捕捉 “Python” 与 “读取” 的直接关联，而第三层会进一步理解 “Python 读取 Excel” 是 “解决文件处理问题” 的整体逻辑，层数越多，模型对复杂语义的理解越深刻。

Embedding 向量并非人工定义，而是由专门的Embedding 模型（如 BERT、Sentence-BERT、OpenAI Embedding 等）通过大规模数据训练生成。其核心流程可分为 “模型训练” 和 “向量生成” 两步。

Embedding 模型的训练本质是 “教会模型识别语义相似性”。以最常用的Sentence-BERT（SBERT） 为例，训练过程就像 “老师教学生辨词”：

（1）给模型 “喂” 数据：输入大量文本对，标注 “相似” 或 “不相似”（如 “喝奶茶” 和 “喝珍珠奶茶” 标为相似，“喝奶茶” 和 “骑自行车” 标为不相似）；

（2）模型 “学习” 规律：模型通过调整内部参数，让 “相似文本对” 的向量距离变小，“不相似文本对” 的距离变大；

（3）考核与优化：通过 “损失函数” 计算模型预测结果与标注的差距，反复调整参数，直到模型能稳定区分语义相似度。

训练完成后，模型就具备了 “输入任意文本，输出对应 Embedding 向量” 的能力。

当我们需要为一段文本生成 Embedding 向量时，模型会遵循以下标准化流程：

举个具体例子：输入文本 “如何用 Python 读取 Excel 文件？”

（1）预处理：分词为 “如何 / 用 / Python / 读取 / Excel / 文件 /？”，并将每个词转为基础向量；

（2）模型编码：Transformer 层分析 “Python” 与 “读取 Excel” 的关联，生成包含上下文信息的临时向量；

（3）后处理：对临时向量取平均，得到长度为 768 的向量，并归一化；

（4）输出：最终得到该问题的 Embedding 向量，用于后续检索。

RAG 的核心逻辑是 “先检索相关知识，再结合知识生成回答”，而 Embedding 技术贯穿了 RAG 的 “知识存储” 和 “知识检索” 两大关键环节，形成完整的技术闭环。

RAG的流程可以简化为“检索” + “生成”。而Embedding是“检索”环节的绝对核心。

1.预处理与索引（Indexing）

（1）将外部知识库（如公司文档、网页）切分成较小的文本块（Chunks）。

（2）使用Embedding模型将每一个文本块转换为一个向量。

（3）将所有向量存储到专门的向量数据库（Vector Database）中，如Pinecone、Chroma、Weaviate等。这些数据库针对高维向量的快速相似性搜索进行了优化。

2.检索（Retrieval）

（1）当用户提出一个问题（Query）时，使用同一个Embedding模型将这个问题也转换为一个向量（Query Vector）。

（2）在向量数据库中，进行最近邻搜索（Nearest Neighbor Search），寻找与Query Vector最相似的那些文本块向量。相似度通常用余弦相似度（Cosine Similarity）来衡量，它关注的是两个向量在方向上的差异，而非绝对距离。

（3）找到最相关的K个文本块（Context），作为补充信息。

3.增强生成（Augmented Generation）

（1）将用户原始问题（Query）和检索到的相关文本（Context）一起组合成一个详细的提示（Prompt），交给大语言模型（如GPT-4）。

（2）LLM基于这个包含了“事实依据”的Prompt来生成最终答案，从而避免了幻觉（Hallucination），提高了准确性和可信度。

尽管 Embedding 技术已成为 RAG 的基础，但在实际落地中仍面临三大核心挑战，同时也在快速演进以解决这些问题。

当前主流 Embedding 模型（如 OpenAI text-embedding-3-small）对文本长度有限制（通常支持 1024/2048 tokens），超过长度的文本需要拆分。但拆分可能导致 “上下文断裂”—— 例如，某段关于 “产品保修条款” 的文本被拆分为两部分，单独生成的向量可能丢失 “保修期限与故障类型关联” 的关键信息，导致检索偏差。

通用 Embedding 模型（如 Sentence-BERT）在日常文本中表现优异，但在医疗、法律、化工等专业领域效果下降。例如，“肺癌” 在通用模型中可能与 “肺炎” 相似度较高，但在医疗领域，“非小细胞肺癌” 与 “小细胞肺癌” 的差异需要更精准的向量区分 —— 通用模型无法捕捉这类专业语义。

当向量数据库中的向量数量达到百万、千万级时，“全量计算相似度” 会变得非常缓慢（如千万级向量全量计算需几秒甚至分钟级）。为提升速度，通常会使用 “近似最近邻（ANN）” 算法（如 FAISS、HNSW），但这会牺牲部分精度 —— 可能导致 “最相关的知识未被检索到”。

1.长文本 Embedding 模型：如 Anthropic 的 Claude Embedding、阿里云的 Qwen-Embedding，支持 4096 甚至 8192 tokens 的长文本，减少拆分带来的上下文丢失；

2.领域专用模型微调：通过 “通用模型 + 领域数据微调” 的方式，提升专业场景的语义识别能力。例如，用 10 万条医疗文献微调 Sentence-BERT，得到 “医疗专用 Embedding 模型”；

3.向量数据库与模型协同优化：向量数据库（如 Milvus 2.4）通过 “动态索引”“混合检索（关键词 + 向量）” 技术，在保证毫秒级检索速度的同时，提升精度，平衡效率与效果。

如果说 RAG 是 “让 AI 拥有外部知识库” 的桥梁，那么 Embedding 技术就是这座桥梁的 “地基”—— 没有它，非结构化知识无法被机器检索，RAG 的 “精准回答” 也无从谈起。从技术本质来看，Embedding 不仅是 “文本转向量” 的工具，更是机器理解人类语言、连接物理世界与数字世界的 “通用语言”。随着长文本模型、领域专用模型的持续演进，Embedding 技术将进一步提升 RAG 的检索精度与适用范围，推动 AI 在企业客服、医疗诊断、法律咨询等专业领域的深度落地。

来源：正正杂说