EmbeddingvsReranking

Embedding

Embedding 将文本映射到高维向量空间，语义相近的文本在向量空间中距离更近。这是 RAG、语义搜索和推荐系统的基础技术。

Reranking

Reranking 在初步检索后用更精确的模型对结果重新排序，将最相关的内容排到前面。这是 RAG 系统提升检索质量最有效的手段之一，通常能提升 10-20% 的准确率。

Embedding

• 语义相近的文本向量距离更近
• 是 RAG 和语义搜索的基础
• OpenAI text-embedding-3 和开源 BGE 是主流选择

Reranking

• 在粗检索之后做精排，两阶段检索架构
• Cross-encoder 比 Bi-encoder 更精确但更慢
• Cohere Rerank 和 BGE-Reranker 是主流选择

Embedding

将文本转换为高维数值向量以捕捉语义信息的表示学习技术

Reranking

对初步检索结果使用更精确的模型进行重新排序以提升相关性的技术

Embedding

• RAG 系统的文档和查询向量化
• 语义搜索和相似度匹配
• 推荐系统的内容表示

Reranking

• RAG 系统的检索质量优化
• 搜索引擎的结果精排
• 推荐系统的候选重排

Embedding

Embedding 是将离散的文本符号转换为连续向量表示的技术，使得计算机能够度量文本间的语义相似度。在 RAG 系统中，文档和查询都被转换为 Embedding 向量，通过余弦相似度或内积来检索最相关的文档。Embedding 模型的质量直接决定了检索效果。当前主流方案包括 OpenAI 的 text-embedding-3、开源的 BGE 和 E5 系列。多语言 Embedding 的质量仍然是挑战，中文 Embedding 的效果通常不如英文。

Reranking

Reranking 采用两阶段检索架构：第一阶段用 Embedding 快速召回 Top-K 候选（速度优先），第二阶段用 Cross-encoder 模型对候选进行精细排序（精度优先）。Cross-encoder 同时编码查询和文档，能捕捉更细粒度的语义关系，但计算成本高，只适合对少量候选重排。在 RAG 系统中加入 Reranking 通常能将回答准确率提升 10-20%，是性价比最高的优化手段之一。