一句话定义：关键词搜索是把查询拆成词，去文档里比对字面是否出现；语义搜索是把查询和文档都映射成向量（embedding），比较向量之间的距离，找“意思相近”的内容。
两种搜索在做什么
关键词搜索的底层是倒排索引（inverted index）：先给每篇文档建一张“词 → 出现位置”的表，查询时把用户输入切词、去停用词，再按词项匹配（term matching）打分。经典算法如 AI 词典：TF-IDF">TF-IDF、BM25 都属于这一类，思路是“这个词在本文档里出现得多、在整个语料里少见，就更相关”。它的优点是精确、可解释、快，用户搜“iPhone 15 电池容量”，只要文档里有这几个词就能命中。
语义搜索走的是另一条路。它用模型把句子压成一串数字（向量），语义相近的句子在向量空间里距离更近。用户搜“手机续航不行怎么办”，即使文档里从没出现“续航”二字，只要讲的是“电池掉电快”，向量距离依然很近，就能被召回。衡量距离常用余弦相似度（cosine similarity）。
打个比方：关键词搜索像在图书馆按书名和目录卡片找书，卡片上写什么字就只能按什么字找；语义搜索像一位读过所有书的馆员，你说“我想找本讲人怎么面对失败的书”，他能给你拿来一本标题里根本没有“失败”二字的书。
关键区别
| 维度 | 关键词搜索 | 语义搜索 |
|---|---|---|
| 匹配依据 | 词项字面出现 | 向量相似度 |
| 擅长 | 精确名词、型号、编号、人名 | 口语化描述、同义改写、跨语言 |
| 短板 | 换个说法就搜不到；同义词要人工配 | 对精确串不敏感；易“看起来像但不对” |
| 可解释性 | 高，能说清命中哪几个词 | 较低，只能给出相似度分数 |
| 更新成本 | 增量建索引便宜 | 文档改动需重新编码入库 |
混淆会出什么问题
最常见的误区是以为“上了向量库就等于搜得准”。实际工程里两类失败很典型：
一是召回阶段用错方法。用户搜订单号、报错码、产品型号这种“必须逐字对上”的查询，语义模型反而会把相邻型号混为一谈——搜 A1023 召回 A1032，对业务是灾难。这类查询应当保留词项过滤或精确匹配。
二是精度阶段没人管。语义召回把“意思沾边”的都捞回来了，但排序不行，用户前几条看到的是泛泛而谈的文章。常见做法是两段式：向量召回（recall）负责“不漏”，再用交叉编码器（cross-encoder）或业务规则做精排（rerank）负责“不滥”。
三是拿关键词指标评估语义系统。用“是否包含查询词”判断相关性，语义搜索天然吃亏；反过来只用相似度分数，又会放过语义漂移的结果。评估集要人工标注意图相关性，且以业务页面的实际数据为准。
对从业者和普通职场人的意义
对做 RAG（检索增强生成）的人：检索质量决定回答质量，别只调提示词。混合检索（hybrid search，向量 + BM25 加权融合）在多数场景比单一路线稳，具体权重需要在自己的数据上试，不要照搬别人的参数。
对普通职场人：当你在搜索框里怎么换词都搜不到想要的东西，往往不是你的问题，而是系统只做了字面匹配；反过来，如果搜一个精确编号却返回一堆“差不多”的结果，那是纯语义检索缺了约束。理解这一点，提需求时就能说清“我要的是找得全，还是找得准”。