一句话答案

Embedding 将文本映射为稠密向量，语义相似的文本向量距离近，是 RAG 检索的基础。

核心要点

选型考虑： 向量维度 / 语言支持 / 性能 / 成本

常用模型： text-embedding-3-small(OpenAI) / bge-large(开源) / m3e(中文)

相似度： 余弦相似度（最常用）/ 内积 / 欧氏距离

追问与易错

追问方向：

• 这个概念在你的项目中是怎么应用的？
• 和相关技术/方案相比有什么优劣？
• 如果出了问题你会怎么排查？

易错点：

• ❌ 只知道概念不知道原理——面试官会追问底层实现
• ❌ 缺乏实际使用经验——结合项目场景回答更有说服力

💡 记忆锚点

Embedding像给每段文本画一幅"语义指纹"（稠密向量）：意思相近的文本，指纹也相近（余弦相似度高）。RAG检索的本质就是"拿问题的指纹去指纹库里找最像的文档"。选模型看三点：维度（越高越精细但越贵）、语言支持（中文选bge/m3e）、性能与成本（OpenAI方便但要钱，开源可本地部署）。