向量与 Embedding：AI 如何判断两句话“意思相近”？

开场问题：文字不同，为什么搜索结果却能对上意思？

在公司知识库里搜索“客户付款后多久发货”，系统可能找到一份标题为“订单出库时效说明”的文档。两句话没有重复多少字，传统关键词匹配未必容易把它们联系起来，但语义搜索往往可以。

这并不是 AI 像人一样真正理解了公司的业务，而是它把文字转换成了一组可以计算的数字。这个转换结果通常叫作 Embedding（嵌入向量）。有了它，计算机就能用距离或角度，估计两段内容在某种语义表示下有多接近。

Embedding 将语义相近的句子映射到相邻位置的图解

图解：Embedding 把内容变成语义空间中的向量，相近含义会靠得更近，不相关内容则分布在更远的位置。

核心解释：从一句话到向量空间

向量可以先理解成一串有顺序的数字，例如 [0.12, -0.37, 0.81, ...]。现实中的 Embedding 往往有很多维，每个维度不是人工规定的“价格”“情绪”或“行业”标签，而是模型在训练中形成的综合特征。单独看某个数字通常没有直观含义，整组数字之间的关系才有价值。

Embedding 模型接收一句话、一段文章，甚至图片等内容，然后把它放进一个高维的“向量空间”。在这个空间中，模型认为语义相关的内容通常会靠得更近。例如“如何申请退款”与“退货后怎么拿回货款”可能距离较近；“如何修改登录密码”则可能更远。

系统判断接近程度时，常用余弦相似度。它主要比较两个向量的方向是否一致，而不是机械地比较每个数字是否相等。相似度越高，通常表示在该模型的表示方式下越相关。但它只是一个数学分数，不等于事实正确，也不等于两句话逻辑完全相同。

生活化类比：给图书馆画一张“意义地图”

可以把向量空间想成一座没有固定书架的图书馆。管理员不按书名首字母摆放，而是按照内容关系排位置：露营装备靠近户外旅行，合同审批靠近法务流程，员工报销靠近财务制度。

读者问“出差打车的钱怎么报”，管理员先把问题放到这张地图上，再寻找附近的资料，于是可能找到《差旅费用报销规范》。这里的“附近”不是地理距离，而是由向量计算出的语义距离。

真实的语义搜索通常分为几步：先把文档切成合适的小段；再用同一个 Embedding 模型生成向量并存入向量数据库；用户提问时生成查询向量；最后找出附近的文档片段，必要时再由排序模型或大语言模型整理答案。Embedding 负责“找候选”，并不天然负责“给最终结论”。

它适合什么，又有哪些局限？

Embedding 很适合知识库检索、相似问题推荐、内容聚类、商品或文章召回，也能帮助发现用词不同但主题接近的材料。不过，它的能力受模型、语种、业务领域、文本切分方式和数据质量影响。

否定、数字和细微条件尤其容易造成误判。“允许七天内退款”和“不允许七天内退款”共享大量词语，向量可能仍然很接近；“基础版支持导出”和“仅专业版支持导出”主题相同，业务结论却不同。旧制度与新制度也可能同时被召回。如果只看相似度，不检查版本、权限和有效期，搜索结果就可能看似合理却不能直接使用。

常见误区

第一，认为相似度高就是答案正确。相似度只能说明内容相关，不能证明资料真实、最新或适用于当前用户。

第二，认为每个向量维度都能被人准确解释。大多数通用模型的维度是共同起作用的，不宜强行给单个数字贴业务标签。

第三，认为用了向量数据库就有了完整知识库。文档清洗、切分、权限、更新、引用和答案校验同样重要。

第四，认为一个阈值适合所有场景。客服问答、合同检索和商品推荐对漏检、误检的容忍度不同，阈值必须结合真实样本评估。

实践建议

业务团队落地时，可以先选一个边界清晰的小场景，例如内部制度问答，并准备一批真实问题及应命中的文档。随后重点做好几件事：按自然段或业务章节切分文本，同时保留标题、来源、版本和权限等元数据；确保文档与查询使用兼容的模型和版本；观察召回结果，而不只看一个平均分；对高风险内容增加关键词过滤、二次排序、来源展示和人工确认。

还要建立更新机制。制度变化后，应及时删除或降权旧片段，并重新生成受影响的向量。涉及客户资料、合同或内部敏感信息时，也要先确定数据是否允许发送给所选模型服务，不能因为“只是生成向量”就忽略隐私与权限。