EmbeddingvsSemantic Search

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。

Semantic Search

Semantic Search 理解查询的含义而非字面文字，能找到语义相关但关键词不同的结果。搜「怎么让代码跑得更快」能找到「性能优化」的文章，这就是语义搜索的威力。

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

Semantic Search

• 理解意图而非匹配关键词
• 基于 Embedding 的向量相似度计算
• Google 搜索已大量使用语义搜索技术

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

Semantic Search

基于语义理解和向量相似度而非关键词匹配的智能信息检索技术

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

Semantic Search

• 企业内部知识库搜索
• 电商产品的智能搜索
• RAG 系统的检索层

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。

Semantic Search

Semantic Search 通过 Embedding 技术将查询和文档都转换为语义向量，用向量相似度替代传统的关键词匹配。这解决了传统搜索的「词汇鸿沟」问题——用户的表述方式和文档的用词可能完全不同，但语义是相同的。在实践中，最佳方案通常是混合搜索：结合语义搜索（召回语义相关结果）和关键词搜索（精确匹配专有名词），再用 Reranking 模型重排序。