一句话定义：三元组损失是一种训练目标函数，它一次拿三个样本——锚点（Anchor）、正样本（Positive）、负样本（Negative）——要求模型学出的特征空间里，锚点到正样本的距离，比锚点到负样本的距离更近，而且要近出至少一个「安全垫」（margin）。
打个生活化的比方
手机相册要给人脸分组。你挑出一张照片当锚点，再挑一张同一个人的照片当正样本，随便找另一个人的照片当负样本。三元组损失的意思就是：把锚点和正样本往一起拽，同时把锚点和负样本往外推。关键在「安全垫」——不是「近一点点」就行，而是必须近出一个余量。否则模型会偷懒，只要蒙到刚好近一点就收工，边界非常脆弱。写成公式的直觉是：
损失 = max(0, 锚到正的距离 − 锚到负的距离 + margin)
当锚点离负样本已经比离正样本远出这个余量时，损失为 0，这一组就不再产生梯度。
为什么要「挖矿」
随机抽的三元组里，大多数是「简单样本」——负样本本来就很远，损失恒为 0，白跑一遍。所以实践中要挑「难样本」：负样本长得和锚点很像（比如两个都戴眼镜的女生），或者正样本差异很大（同一个人换了发型、侧脸、戴口罩）。这套挑选过程叫三元组挖掘（triplet mining），可以离线预先算，也可以在训练中随批次在线挑。挖得太狠会训崩，挖得不够等于没训，工程上大部分调参精力都花在这里。
和相邻概念的区别
| 维度 | 三元组损失 | 交叉熵分类损失 |
|---|---|---|
| 优化目标 | 相对距离排序 | 每类的概率 |
| 样本组织 | 锚点／正／负成组 | 单样本＋标签 |
| 新增类别 | 不改模型即可直接比对 | 通常要改输出层重训 |
对比损失（Contrastive Loss）只用一对样本，判断「像／不像」；三元组损失用三个，判断的是「像谁更多」。二者都属于度量学习（Metric Learning）的家族，目标是把样本映射成向量，让距离本身携带语义。
实际意义
对人脸门禁、以图搜图、同款商品查找、音频指纹、文本语义检索、推荐系统的向量召回来说，嵌入（embedding）的质量直接决定召回上限，而三元组损失就是塑造这类嵌入最常用的工具之一。普通人其实每天都在用：相册按人物自动聚类、购物 App 的「找相似」、音乐软件的「听歌识曲」，背后往往就是这类距离学习的结果。它最实用的一个性质是——模型学的是「像不像」，而不是「像不像某张标准照」，所以一个人换了造型、换了角度，仍然有机会被认出来。具体实现细节和最新变体以官方文档与论文为准。
给从业者的一句提醒：距离用欧氏还是余弦、特征是否做归一化，会显著影响训练表现；如果特征归一化到单位长度，两者的排序关系基本等价，选哪个更多是习惯问题。