embedding

agent学习Day23——文件上传与 Embedding 语义检索这一篇把两个核心能力串成一条线——文件上传（把文档安全接进后端）和 Embedding + 余弦相似度（让机器"看懂"语义）。两者看着不相关，其实都在为后面的向量检索和 RAG 打地基：上传是为了拿到原始文本，Embedding 是把文本变成计算机能计算的向量。

【机器学习】（32）—— Embedding 串讲摘要：第 29～31 篇分别讲了为何需要 Embedding、嵌入空间里距离意味着什么，以及向量可以从哪些途径得到。本文不引入新公式，把这三篇串成可对照的备忘：什么时候上 Embedding、表格里怎么接、词表与维数注意什么，并预告下一主题——语言模型与更长上下文。

【机器学习】（31）—— 如何得到 Embedding摘要：第 29、30 篇说明了为什么要用 Embedding，以及嵌入空间里距离代表什么。接下来的问题是：这些向量从哪来。本文介绍三条常见路径——用 PCA 一类方法做降维、把 Embedding 当作网络一层与任务联合训练、以及先学静态词向量再（在需要时）升级到上下文嵌入——并说明汽车品牌这类表格特征更常走哪一条。

大大模型如何通过本地排雷远端GPU几十M的小模型放在本地电脑上，还能去排查这种依赖的问题，但如果我们需要的在远端GPU用几十个G的大模型呢。我跑到电台上可能就。也不是那么容易，这样事的话，怎么去前述方法排查他的依赖问题？

【机器学习】（30）—— 嵌入空间摘要：第 29 篇把 Embedding 说成「用短稠密向量代替超长 One-Hot」。向量落在哪里、彼此远近代表什么，需要放到嵌入空间里看。本文用低维示意图说明距离与相似性的关系、维数增加时信息如何变丰富，以及真实任务里轴往往不可直接命名；并介绍静态词嵌入（如 word2vec）在说明「上下文相近 → 向量靠近」时的作用与局限。贯穿示例仍是汽车品牌。

【AI应用开发】 RAG篇（四）：Prompt 工程与进阶技术前几篇搞定了怎么存、怎么搜，本篇进入 RAG 的"最后一公里"——Prompt 工程和进阶优化技术。检索结果再好，Prompt 写得烂，答案是垃圾；检索质量卡在瓶颈，不上混合检索和查询优化，天花板就是 70 分。

hands-on-modern-rl：动手学强化学习贝尔曼方程给定一个固定策略 π，贝尔曼期望方程为 V π ( s ) = Σ a π ( a ∣ s ) ∗ [ R ( s , a ) + γ ∗ Σ s ′ P ( s ′ ∣ s , a ) ∗ V π ( s ′ ) ] V^π(s) = Σ_a π(a|s) * [R(s,a) + γ * Σ_{s'} P(s'|s,a) * V^π(s')] Vπ(s)=Σaπ(a∣s)∗[R(s,a)+γ∗Σs′P(s′∣s,a)∗Vπ(s′)]

【机器学习】（29）—— Embedding摘要：第 17 篇用 One-Hot 处理类别特征，词表不大时很合适。品牌、车型、用户 ID 这类水平动辄上千上万时，稀疏向量会把第一层权重撑得很肥，也几乎表达不了「谁和谁更像」。本文说明稀疏表示的问题，引入 Embedding（嵌入）：用可学习的短稠密向量代替超长 One-Hot，并说明它怎样接到后续网络里。适合读完神经网络单元、准备处理高基数类别的读者。

向量数据库从零到实战：用 Milvus + Zilliz 构建 AI 日记语义检索系统本文带你从零理解向量数据库的核心概念，通过一个完整的 AI 日记本项目，手把手学会用 Milvus 向量数据库和 Zilliz Cloud 云服务，实现语义搜索和 RAG（检索增强生成）。

深度学习11——Tokenization、embedding、位置编码文本进入 Transformer 前，通常经历以下过程：Tokenizer 负责：例如：词表可以理解为一张映射表：

【AI应用开发】 RAG篇（三）：文档切分与多路检索前两篇我们讲清了 RAG 的整体架构和向量检索原理。但这远不足以让系统"好用"——一条最容易被忽视却最为致命的链路是：文档切不好，检索等于白做。

【AI应用开发】 RAG篇（一）：概述与核心架构现在大模型落地业务，90% 的企业场景都会优先上 RAG（检索增强生成）。不管是知识库问答、智能客服还是私有文档助手，RAG 都是绕不开的核心方案。

Elastic 中国社区官方博客

不到 5 分钟完成本地部署：Jina embedding 模型现已支持本地部署作者：来自 Elastic Scott Martens全部 28 个 Jina AI 模型（包括 reranker），现已提供可直接部署的 Docker 容器，无遥测数据收集，无需许可证服务器。可直接兼容 OpenAI、Cohere、Voyage AI 和 Elastic Inference Service API。

geo搜搜果数据

实测AI搜索GEO监测工具：对比DeepSeek与豆包品牌排名差异最近在做品牌 GEO（Generative Engine Optimization，生成式搜索优化）监测时发现一个明显问题：

预训练 Embedding + 轻量级线上模型一句话概括：这是一种经典的“离线训练、在线推理”的工业界架构。它利用大规模离线集群，通过复杂的深度模型（如双塔DNN、Graph Embedding）将用户和物品预先编码为稠密向量（Embedding），然后在线上服务时，仅使用极其轻量级的计算（如向量点积、余弦相似度或单层LR）来完成最终的推荐排序。

行者-全栈开发

【码动四季】Spring AI + RAG 电商知识库：AtomCode 如何让 Embedding 对齐从 3 天缩短到 4 小时💡 摘要: 电商商品知识库要支持"有没有适合送妈妈的护肤套装"这种自然语言查询，传统搜索完全搞不定。我们用 Spring AI 1.0 + Ollama + PgVector 搭建 RAG 系统，却在 Embedding 对齐上卡了 3 天——向量维度不一致、分片策略反复调、检索召回率上不去。引入 AtomCode 后，通过 Rules 校验向量维度、Skill 生成 Embedding Pipeline、Agent 自动测试检索召回率，将对齐周期压缩到 4 小时。本文完整记录 RAG 架构设计、Spr

Day 012｜Embedding 和向量数据库：知识库检索到底在检什么系列：100 天系统学习 AI Agent 开发当前阶段：RAG、知识库与工具边界今日目标：Embedding 把文本映射到向量空间，向量检索用相似度找出最相关的片段。

RAG 系统 Embedding 流程分析与自托管 API 适配在构建一个轻量化 RAG（检索增强生成）系统时，使用了 LangChain 框架结合自托管的 FreeLLMApi（兼容 OpenAI 格式）进行文本向量化。在开发过程中，遇到了运行时类型错误，并对 Embedding 模型如何处理文本以及自托管服务与 OpenAI 原生服务的差异产生了疑问。

Document 切割：RAG 知识库数据预处理实战对于一个 RAG（检索增强生成）知识库系统，知识可以来自各种各样的地方：这些不同格式的文件，最终都需要变成向量数据库能处理的标准化格式——这就是本文要解决的问题。

Hermes Agent 搭建全流程：从本机试跑到可持续运行的个人 AI Agent在 AI 技术飞速发展的今天，大语言模型（LLM）的能力已从简单的对话扩展到复杂的任务规划与执行。然而，直接使用云端 API 往往面临成本、延迟、隐私和定制化程度的限制。构建一个部署在本地的、可持续运行的个人 AI Agent，正成为开发者、研究者和技术爱好者的新追求。