一句话：AI 词典：Embedding">Embedding 就是把一段文字（也可以是图片、音频、用户行为）变成一串固定长度的数字，让「意思」这件事变得可以被计算。
它到底做了什么
假设你要给一座城市里所有餐厅画一张地图。每家餐厅都有一组坐标：川菜馆聚在东南角，日料店聚在西北角，甜品店在中间。想吃辣的时候，你只要走到东南角附近找就行——不需要记住每家店的招牌。
Embedding 干的就是这件事，只是地图不是二维，而是几百到几千维。每个词、每句话、每篇文章，都被钉在这张高维地图上的一个点。训练的目标很朴素：意思相近的东西，坐标要靠近；意思不相干的，坐标要拉远。
于是「我想退掉昨天买的那双鞋」和「如何申请退货」即使没有任何共同的关键词，它们的坐标也很接近。这就是语义搜索能工作的原因。
这串数字不是人手工设计的，是模型从海量文本里自己学出来的。你没法指着某一维说「这一维代表'是否关于动物'」——维度本身通常没有可读含义，含义藏在整体的相对位置里。
和相邻概念的区别
| 表示方式 | 一句话理解 | 主要短板 |
|---|---|---|
| One-hot 编码 | 给每个词发一个编号，彼此完全无关 | 词与词之间没有任何远近关系 |
| 关键词匹配（如倒排索引） | 看你有没有出现同样的字 | 换个说法就搜不到 |
| Embedding | 把语义投影成坐标，比距离 | 需要模型，且不擅长精确匹配、数字、人名 |
实践中三者常常一起用：先向量召回一批语义相关的候选，再用关键词做精排。
对从业者和普通人的意义
对工程师，Embedding 是检索增强生成（RAG）的地基：文档先被切块、向量化、存进向量库，提问时把问题也向量化，然后找最近的几个块喂给大模型。它也是聚类、去重、推荐、异常检测的通用零件——只要能把对象变成坐标，就能用几何方法处理它。
对普通职场人，它解释了一个常见困惑：为什么有些搜索「懂你」，有些却死板。懂你的那些，多半是先把你的话翻译成了坐标再去比距离。
三个容易踩的坑
1. 不同模型的坐标不可比。A 模型算出来的向量和 B 模型的放在一起算距离，结果没有意义。库里存的向量和查询用的向量必须来自同一个模型。
2. 相似度不是万能尺。常见做法是余弦相似度，它衡量方向是否一致，但「相似」不等于「正确」，检索结果仍需要额外排序或校验。
3. 切分方式影响很大。文档块太大，语义被稀释；太小，上下文被割裂。
最后提醒一句：各家模型支持的维度上限、输入长度和计费方式差异不小，具体以官方页面为准。