向量与嵌入

嵌入（Embeddings） 把文本变成固定维度的 向量；语义相近的句子在向量空间里 距离更近。Agent 的「长期记忆」和 RAG 检索都依赖这一层——不是关键字匹配，而是 意义相似度。

学习目标

• 理解 embedding 模型、维度、相似度度量（余弦、点积）
• 说清向量库与全文搜索引擎的分工
• 对照路线图 vectors 节点

基本概念

概念	说明
Embedding 模型	如 text-embedding-3-small；同一模型才可比
向量维度	如 1536；越高不一定越好，看任务与成本
相似度	常归一化后用 余弦相似度
向量库	存 id + vector + metadata；支持 ANN 近邻搜索

流程：文档 → 分块 → embed → 入库；查询时 问题 → embed → top-k 近邻。

与 Elasticsearch 的关系

elasticsearch-essentials 教 倒排索引、BM25、聚合；现代 ES 也支持 dense_vector 与混合检索。

方式	擅长	弱项
关键词（BM25）	精确 slug、类名、错误码	同义改写、口语问法
向量	语义相似、跨语言近似	rare token、精确匹配
混合	生产常见	需调权重与 rerank

Agent 检索 CodeRoadMap 讲义：slug 精确查 可走 keyword；「怎么学 RAG」 类问题走向量或 hybrid。

实践注意

• 分块策略 影响召回（见 agt-rag）
• metadata 存 track_slug、lesson_slug、path，便于过滤与引用
• 嵌入要 版本化：换模型通常需 全量 re-embed
• 成本：大库 embed 一次不贵，但 增量更新 要有 pipeline

与 function calling

封装工具示例：

search_vectors(query, filter: { track: "ai-agents-essentials" }, top_k: 5)

返回：[{ chunk_id, text, score, metadata }] 供 LLM 阅读——勿把整库塞进上下文。

练习

• 解释同一问题用 BM25 与向量各可能漏掉什么
• 设计 chunk metadata 字段至少 4 个，支持按 track 过滤
• 查一种 embedding 模型的维度与定价，估算 1 万 chunk 索引成本量级

小结

嵌入把文本变成可计算的语义坐标；向量库负责快搜近邻。 下一课 RAG，把检索结果接进 Agent 回答。