Embedding Model（嵌入模型）完整讲解：句子转向量全过程
一、核心作用
Embedding 模型的唯一任务：把人类可读的文本（句子、段落、词语）映射成一段固定长度的浮点数字数组，也就是向量（vector）。
- 语义相近的句子 → 向量在高维空间距离很近
- 语义完全无关的句子 → 向量距离很远 这是向量数据库、RAG 检索的底层基础。
二、完整转化流程（一句话拆解）
输入句子：MacBook本地运行Chroma向量库
- 分词（Tokenize） 模型把句子拆成最小单元（token），如单词 / 子词：
MacBook/本地/运行/Chroma/向量库 - Token 编码 每个 token 查表转为唯一数字 ID；
- 多层 Transformer 编码计算 模型根据上下文理解整句语义，融合每个词的语境信息；
- 输出句向量（Pooling 池化） 把整段文本所有 token 的隐藏层输出聚合，压缩成单一固定维度向量 例：all-MiniLM 输出 384 维、text-embedding-ada-002 输出 1536 维 最终输出示例（384 维简化示意）：
[0.021, -0.134, 0.078, ... , 0.092]
三、为什么要把句子变成向量？
- 机器无法直接读懂文字 计算机只能计算数字，不能判断两段文字 "意思像不像"；
- 用数学衡量语义相似度 拿到两个句子的向量后，用余弦相似度 / L2 距离算出 0~1 之间的分数： 分数越接近 1 = 语义高度匹配；
- 实现语义检索（解决传统关键词缺陷） 句子 A：轻薄笔记本电脑推荐 句子 B：平价便携手提办公本 字面无重复关键词，但 Embedding 生成的向量距离极近，向量数据库可以精准匹配；传统倒排索引会直接漏掉。
四、常见 Embedding 模型分类
1. 开源本地离线模型（Chroma 默认）
- all-MiniLM-L6-v2：轻量、384 维，CPU 就能跑，适合本地 RAG
- bge-small/bge-base：中文语义效果更强，国内 RAG 主流
- mxbai-embed-large：高精度，长文本理解优秀 特点：完全离线，不上传数据，适合 Mac 本地私有知识库
2. 云端 API 嵌入模型
- OpenAI text-embedding-3-small/large
- 阿里通义、腾讯混元、智谱 AI 嵌入接口 特点：精度高，无需本地显卡，调用接口付费，数据会上传服务商
3. 多模态 Embedding（CLIP）
不只转文本，图片、文字统一转为同空间向量，支持以文搜图、以图搜文。
五、结合你之前的句子联动理解
straightforward, there's a bit of an overhead in setting this
- 将这句话送入 Embedding 模型 → 生成一条向量；
- 再输入同义句：The logic is simple, but configuring it takes extra work；
- 两个句子字面单词几乎无重合，但向量余弦相似度极高；
- Chroma 这类向量库通过对比向量数值，就能识别二者表达同一个含义，完成语义检索。
六、关键特性
- 维度固定：同一模型输出向量长度永远一致，才能做距离计算；
- 语义压缩：几百个数字就能承载整段文字的核心含义；
- 无人类可读性：向量只是一串小数，人无法看懂，仅用于数学计算；
- 上下文感知 ：多义词会根据句子生成不同向量，区分歧义 例：
苹果电脑vs苹果水果，模型输出完全不同的向量。
七、极简 Python 示例（Chroma 内置 Embedding）
python
运行
import chromadb
from chromadb.utils.embedding_functions import SentenceTransformerEmbeddingFunction
# 加载本地嵌入模型
emb_fn = SentenceTransformerEmbeddingFunction(model_name="all-MiniLM-L6-v2")
# 句子转向量
sentence = "embedding model把句子转化成向量"
vec = emb_fn([sentence])
# vec 就是句子对应的浮点向量数组
print(len(vec[0])) # 输出384，该模型固定384维