一句话定义：词嵌入（Embedding）是把词、句子、图片等对象映射成固定长度向量的方法，让语义相近的对象在向量空间里彼此靠近。
一个词怎么变成一串数字？
可以把它想成给每个词发一张坐标卡。一开始，每个词拿到随机坐标，比如“猫”是 [0.2, -0.1, 0.7]，“狗”是 [-0.3, 0.8, 0.2]。训练时，模型不断做“根据上下文猜词”的练习：看到“喵”“小鱼”常和“猫”一起出现，看到“汪”“骨头”“遛”常和“狗”一起出现，就调整坐标，让出现在相似上下文里的词靠得更近。调整很多轮后，“猫”和“狗”的坐标就会接近，而“汽车”“飞机”会聚在另一片区域。单看某一维没有意义，整体方向才携带语义。
为什么相似词向量也相似？
因为比较向量常用AI 词典：余弦相似度">余弦相似度（cosine similarity），看两个向量的夹角。夹角小，说明它们被用到的语境相似。经典例子是“国王 - 男人 + 女人 ≈ 女王”，说明向量空间里能编码“性别”“王权”等关系。但这不是真正理解，只是统计规律的压缩。
它和相邻概念的区别：
- 独热编码（one-hot）：每个词一个超长稀疏向量，词与词之间没有远近，表达不了相似性。
- 词频统计（如 TF-IDF）：看词出现多少、多重，但不直接给低维语义坐标。
- 上下文嵌入（contextual embedding）：同一个词在不同句子里向量不同，能区分“苹果手机”和“吃苹果”；静态词嵌入每个词只有一个向量。
对从业者，Embedding 是搜索、推荐、聚类、分类、RAG 的基础：把文本、图片、用户行为变成向量，就能用向量数据库做最近邻检索。对普通人，它让“语义搜索”成为可能：搜“报销流程”，也能找到“费用申请指引”；工单自动归类、简历与岗位匹配都靠它。注意：嵌入质量取决于训练数据和任务，通用嵌入未必适合专业领域；具体模型、维度和计费，以官方页面为准。
一句话记住：Embedding 就是给万物发坐标，语义相近者住得近。