Embedding 中文常译作“向量嵌入”或“嵌入”。在 AI 语境里，它指把文字、图片、音频或其他对象转换成一组数字，让机器可以比较它们之间的相似程度。
人可以直觉判断“猫”和“狗”比“猫”和“冰箱”更接近，但计算机需要数字。Embedding 的作用，就是把这种“意思相近”变成可计算的距离。
先用一句话抓住它
Embedding 是把文本、图片等信息转换成数字向量，用来表示它们的含义和相似度。
可以把它想成一张看不见的语义地图。意思接近的内容在地图上位置更近，意思差很远的内容位置更远。
机器如何比较“意思”
关键词搜索只能匹配字面词。比如你搜索“如何提高睡眠质量”，一个标题叫“改善入睡困难的方法”的文章可能没有完全相同的关键词，但意思很接近。Embedding 检索关注的是语义相似度，因此更容易找到这种“说法不同、意思相近”的内容。
flowchart LR
Text["文本 / 图片 / 音频"] --> Model["Embedding 模型"]
Model --> Vector["向量"]
Vector --> Compare["相似度比较"]
Compare --> Result["检索 / 聚类 / 推荐"]向量就是一组数字，维度是这组数字的长度。模型会把文本、图片或音频放进向量空间里，再通过距离或相似度判断它们是否接近。向量数据库则负责存储这些向量，并在大量内容中快速找出相似结果。
Embedding 常在哪里出现
Embedding 最常见的用途是语义搜索。用户用自然语言提问，系统把问题转成向量，再去文档向量中找最接近的片段。RAG 系统也经常依赖这个过程：先用 Embedding 找资料，再让大语言模型基于资料回答。
推荐系统、内容聚类、重复内容发现、相似图片搜索，也都可以用 Embedding。它的价值在于让机器不只看关键词，而是能用数字方式处理“相似”“接近”“相关”这些概念。
和 Token、RAG 的关系
Token 解决的是“怎么切文本”，Embedding 解决的是“怎么表示含义”。文本通常先被模型处理成 token，再进一步变成向量表示。两者经常一起出现，但作用不同。
RAG 中的 Embedding 更容易理解：系统把文档片段提前转成向量，用户提问时也转成向量，然后找出距离最近的片段交给模型。没有 Embedding，也可以做关键词检索；但有了 Embedding，系统更容易找到表达不同但意思相近的资料。
容易误解的地方
Embedding 不是原文压缩包。向量能表示语义位置，但不能完整还原原文。相似也不等于正确，语义接近的资料可能过时、错误或不适用于当前问题。
另一个误区是只迷信向量搜索。实际系统里，关键词检索、过滤条件、重排、权限控制和人工评估都很重要。向量维度更高也不自动代表效果更好，模型质量、文本切分和检索策略同样关键。
怎么判断它该不该用
使用 Embedding 时，要关注三个问题：内容怎么切分，选择什么模型，检索结果怎么评估。尤其在 RAG 中，检索到的资料质量直接影响最终回答。
如果资料有权限差异，还要确保向量检索不会把用户无权访问的内容返回给模型。