embedding

中国胖子风清扬

PageIndex：用推理替代向量的下一代 RAG 架构GitHub 仓库：https://github.com/zhoubyte/java-ai 如果你觉得这个项目有价值，欢迎 Star ⭐ 和关注，持续分享 AI 工程化实践！

Embedding不是魔法：把文字变成数字的底层逻辑在技术语境里，“Embedding”常被称作“嵌入”，这是学术领域的规范表述，而从实际计算逻辑来看，它本质是一种向量化的处理方式。

BM25 + Embedding 混合检索实现我们做一个标准的：🔎 BM25（关键词召回） + Embedding（语义召回） + 融合排序下面给你一个最小可用版本。

Agent的范式范式（Paradigm）是一种通用的模式、思路或框架，用来指导我们如何理解和解决问题。每种范式背后有不同的思路、优缺点和适用场景，但它们解决的是同一个问题。

西西弗Sisyphus

从零实现 Transformer：第 0 部分 - 基础（ Foundations）view 重塑形状和 transpose 交换维度顺序flyfishview 复用原张量同一块底层内存数据，只是换了一种维度解读方式，不会在内存中创建物理副本。

零索引、零 embedding、纯 grep：DCI直接在原始语料上做 deep research最近翻 arXiv 看到一篇挺有意思的 paper：《Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction》，作者来自 Texas A&M、Waterloo、UCSD、Stanford、UIUC 这一票学校，外加 Verdent AI、Lambda 几家公司。

打小就很皮...

基于 Python + LangChain + RAG 的知识检索系统实战在大模型时代，如何让 AI 基于特定领域的知识库准确回答问题，而不是"胡编乱造"？RAG（Retrieval-Augmented Generation，检索增强生成）是目前最主流的解决方案。本文将带你从零实现一个完整的 RAG 知识检索系统，以汽车参数知识库为场景，涵盖后端、前端、向量数据库的完整链路。

graphrag bm25 和 embedding混合使用知识图谱在模型侧（含训练 / 推理、存储与交换、以及输入大模型的向量格式）主要分三类：符号化三元组（RDF / 属性图）、结构化文本 / JSON、嵌入向量（Embedding）。

Embedding与向量语义——大模型是怎样“理解”文字的？在面试中，如果你在简历上写了“RAG”、“向量检索”，面试官几乎一定会追问一句：“你用了 Embedding，那你说说它的原理是什么？为什么两个词的向量相似，就代表它们语义相近？”

LangGraph 中 State、Node、Edge 是怎么协作的？上篇我们区分了 Function Call 和 Agent 工具调用，但那只是"调用方式"的区别，没解决更根本的问题——当一个复杂任务需要多步骤时，Agent 内部是怎么组织这些步骤的？

Semantic Chunk 为什么需要 Embedding API固定长度分块不需要任何外部服务，语义分块却必须调用 Embedding API——这背后的原因是什么？

AI记忆新思路：用SQLite替代向量数据库，去EMBEDDINGS化，谷歌开源Google Always On Memory Agent随着AI Agent的发展，AI Agent从问答查询工具向长期助手持续演进，持久记忆成为AI Agent的核心技术之一。当前行业普遍将向量数据库、Embeddings模型视为Agent记忆的标配模块，但多数开发者对“记忆存储的本质”存在理解不深——总是觉得向量数据库是唯一选择。谷歌云开源的Google Always On Memory Agent，以“去EMBEDDINGS化”SQLite替代向量数据库的极简方案，打破了这一认知惯性，这篇文章希望能让开发者们重新深入理解AI Agent记忆的本质。

大语言模型（LLM）、Embedding 模型、reranker重排序模型有什么关系你可以把它们想象成一个智能问答团队：用户问了一个问题，这三个模型会这样配合工作：简单说：RAG 三套模型最佳搭配+直接可用参数（极简落地版）

如何搭建 24 小时 AI 直播平台：魔珐星云数字人打造无人值守 “AI 销冠” 全流程实战教程摘要：本文从零到一拆解基于魔珐星云端侧 SDK 与大模型 LLM 的无人直播间架构，以 React 19 + Vite + TypeScript 为技术栈，手把手教你搭建可低延迟交互、支持弹幕实时响应、支持多平台推流的 AI 数字人带货直播间，实现真正可商用的 24 小时无人直播。

Embedding层（个人理解）含义：嵌入层通过可学习的权重矩阵将整数索引映射为稠密向量，是 NLP 模型的第一层，相当于查字典。注意：

西西弗Sisyphus

Transformer 嵌入层 nn.Embedding 到底是什么？flyfish通过一个简单的 PyTorch 示例展示嵌入层（无偏置项）与线性层是完全等价的。只是工作方式不同，嵌入层通过索引查表实现运算，而线性层通过矩阵 - 向量乘法实现运算。既然有线性层，为什么还要用嵌入层？算出来的结果完全一样，但工作的方式天差地别；嵌入层是线性层在高维稀疏数据场景下的高效版。

嵌入模型Embedding Model嵌入模型（Embedding Model）是一类将离散、非结构化的高维数据（如文本、图像、音频），映射为低维、稠密、连续的数值向量（嵌入向量）的机器学习模型。核心目标是保留数据的语义 / 特征关系—— 相似内容的向量在空间中距离更近，差异大的则距离更远。

你不是我我

【Java 开发日记】向量检索的流程是怎样的？Embedding 和 Rerank 各自的作用？目录一、向量检索的整体流程离线阶段（索引构建）在线阶段（检索与重排）二、Embedding 的作用核心特点