一些基本概念
1 Zero-shot & Few-shot 是什么？
1. Zero-shot（零样本）
不给例子，直接让模型做。
- 不提供任何参考样例
- 只告诉模型任务是什么
- 完全靠模型本身能力去理解、推理
例子
把下面句子分类成积极 / 消极：这部电影太好看了！
这就是 zero-shot。
2. Few-shot（少样本 / 小样本）
给几个例子，再让模型做。
- 给 1～10 个左右的示例
- 告诉模型：我要你像这样输出
- 模型照着格式、逻辑去做
例子
分类：今天心情很好 → 积极分类：这部电影好无聊 → 消极分类：这家店味道超赞 →？
这就是 few-shot。
一句话总结
- Zero-shot：不给例子，直接干。
- Few-shot：给几个例子，照着干。
2 RAG 是什么？
RAG = Retrieval-Augmented Generation****检索增强生成
一句话：先从外部资料里查相关内容 → 再把查到的内容喂给大模型 → 让模型基于真实资料回答。
3 Embedding 模型 是什么？
一句话：把文字、图片、声音等信息，变成一串数字（向量），让计算机能 "看懂、比较、计算"。
1. 核心作用
人理解文字靠语义，计算机只认数字。Embedding 模型做的就是：把 "语义" → 变成 "向量"
比如：
- "苹果" → 0.1, 0.5, -0.2, ...
- "香蕉" → 0.12, 0.48, -0.19, ...
- "汽车" → -0.8, 0.1, 0.3, ...
语义越接近，向量越接近。
2. 它能干什么？（最常见用途）
- 搜索搜 "好吃的水果"，能找到苹果、香蕉，而不是汽车。
- 推荐你看了 A 文章，给你推语义相似的 B 文章。
- 知识库问答 / RAG 把文档变成 embedding，用户提问也转成 embedding，找最相似的段落。
- 分类、聚类自动把相似内容归为一类。
3. 和普通大模型有什么区别？
- 大模型（如 GPT、Llama） ：生成文字、回答问题。
- Embedding 模型 ：不生成文字，只做 "语义编码" 。
4. 简单例子（你马上能懂）
你问："什么是猫？"
- 问题 → 转成 embedding 向量
- 库里所有文档 → 都提前转成 embedding
- 计算机算距离，找到最接近的文档
- 把那段文字丢给大模型回答
这就是现在最火的 RAG（检索增强生成） 的核心。
5. 常用的 Embedding 模型
- OpenAI：
text-embedding-ada-002、text-embedding-3 - 开源：
BGE、m3e、text2vec（中文很强） - 特点：小、快、省显存，低配电脑也能跑。
超简总结
Embedding 模型 = 语义翻译官把人类语言 → 翻译成计算机能理解的数字向量，用来做：搜索、推荐、知识库、相似度匹配。