向量与检索：机器怎么判断「意思接近」

向量模型（embedding model）把一段文字转换成一串数字坐标，通常是几百到上千维。 神奇之处在于坐标的距离有含义：「如何退货」和「退货流程是什么」这两句话，字面不同，坐标却挨得很近；而「如何退货」和「如何退货赚钱」可能离得很远。 有了这张「语义地图」，搜索就不再依赖字面匹配：把用户问题和知识库里每一段文字都变成坐标，找出距离最近的那几段——机器就是这样「按意思找东西」的。第十三章的 RAG，第一步用的正是它。 形象比喻：想象一个巨大的图书馆，传统搜索是按书名关键字找书；向量搜索是请一个管理员，你描述「我想看关于如何克服拖延症的书」，他能带你走到「时间管理」和「行为心理学」的书架前——即使这些书的书名里没有「拖延」两个字。

向量检索找的是「说得像」，不是「能回答」。两者经常重合，但重合不了的时候就是事故现场： 用户问「苹果最新发布会讲了什么」，向量空间里「苹果的营养价值和热量」距离并不远——它们都是关于苹果的段落，但只有一个能回答问题。 症状很好认：系统返回的片段和问题「看起来很像」，读进去却发现答非所问。 缓解手段主要有两类： 查询改写：先让模型把口语化的问题改写成更适合检索的表述； 重排序：粗筛出二十段后，再用更强的模型按「能否回答这个问题」精细排一次序。 知道这个误差来源的存在，是排查一切知识库「答不准」问题的起点。

三种找法，三副眼镜： 关键词检索（传统搜索那套）：专有名词、编号、型号零失误；但不懂同义改写，「电脑开不了机」搜不到「主机无法启动」的文档。 向量检索：懂语义、跨措辞；但对精确符号不敏感，容易把「A 型号」和「B 型号」的文档混在一起。 混合检索：两条路都走，结果合并。实际生产系统几乎全是混合方案——关键词保精确，向量保语义，互为兜底。 选型口诀：文档里充满型号、代码、人名的，加重关键词权重；口语化提问多的场景，加重向量权重。