embedding

embedding专题之向量化革命：从关键词到语义检索适合谁：有 Java 后端开发经验，想要转型 AI 应用的工程师本章收获：建立 Embedding 的直观理解，掌握模型选型方法，学会文本分块策略，能用 Spring AI 调用 Embedding 模型

这就是佬们吗

AI 的记忆进化史：从金鱼记忆到学会做梦有一个流传甚广的说法：金鱼的记忆只有七秒。虽然科学研究早已证明这是个谣言——金鱼其实能记住数月前的事情——但这个比喻却精准地刻画了今天大多数 AI Agent 的处境。

1-向量数据库概览典型工作流（RAG - 检索增强生成）：关键功能：

王仕宇RAG 实战教程（二）：从 0 搭建一个可运行的 RAG 知识库——Embedding、Qdrant 与问答实战上一篇《RAG 实战教程（一）》我们把 RAG 的完整工作原理拆了一遍：但理解原理只是第一步。这一篇我们不再停留在概念层面，而是直接动手：

大模型实战指南（4）——Embedding 与向量检索：让模型“记住”百万篇文章的秘密系列文章目录：你问 GPT“2024 年公司的财报数据”，它说“我不知道”。你把财报 PDF 丢给它，它说“太长了，超出上下文窗口”。

OpenClaw 源码解读——入门与破局9 双插件协同：Quota Guard 负责“停“，Model Router 负责“绕“前两篇我们分别把 Quota Guard（熔断）和 Model Router（切换）挂进了 Worker 执行链路。这一篇讲它们同时在 Worker 里工作时怎么分工、怎么配合，以及 Manager 侧如何消费插件状态做任务编排——把"基础设施故障"变成"任务自动降级 + 人工精准介入"的完整闭环。

这就是佬们吗

治幻觉，先治检索：RAG 系统防幻觉的完整工程指南很多团队以为，把知识库内容塞进 prompt 之后，大模型就会老老实实照着资料回答，幻觉问题自然消失。但现实并非如此：检索到了内容，模型也可能不照着说；检索没召回到内容，模型更会用训练时"记住"的知识编一个听起来很对的答案。行业数据也从侧面印证了这一点——初代 RAG 的幻觉率高达 45%，引入稠密向量检索后降到 28%，直到引入查询重写、多路召回与生成验证等机制，行业平均幻觉率仍约 19%。换句话说，幻觉不是"RAG 没做好"时才有的偶发问题，而是 RAG 系统里一个必须主动、系统地去防控的问题。

OpenClaw 源码解读——入门与破局8 从“报错不切换“到“秒级自动切换“：模型路由插件在 2026.4.14 上的五次迭代实录上一篇我们部署了模型路由插件，但验证时发现它"报错却不切换"。从"不切换"到"真正自动切换"，我们迭代了四轮，踩了三个 hook 语义陷阱，最后在真实故障场景里验证通过：主模型欠费报错 → 秒级自动切到备用模型 → 正常回复。

企业级 RAG 概念篇：切块（Chunking）、翻译（Embedding）和向量数据库、混合检索与 Rerank 重排序、权限前置与性能优化在 AI 应用开发圈子里，有一句被无数工程师用血泪验证过的铁律：“Garbage In, Garbage Out（垃圾进，垃圾出）”。

【0-1的agent进阶篇】RAG：从Embedding到检索增强生成的底层逻辑🔥个人主页：代码不加冰（欢迎来访） 🎬作者简介：java后端学习者 ❄️个人专栏：LeetCode刷题日记，苍穹外卖日记，SSM框架深入，JavaWeb， ✨命运的结局尽可永在，不屈的挑战却不可须臾或缺！

小白说大模型

OpenClaw 测试策略实战：AI Agent 自动化测试体系搭建与落地传统软件的测试思路建立在「确定性」之上：给定输入，输出可预期，断言写得明明白白。而 OpenClaw 这类 AI Agent 项目从根上打破了这条假设——同一个问题，模型可能给出语义相同但措辞完全不同的回答；同一个工具调用，有时会被判定为「值得执行」，有时又会被跳过。

向量数据库入门到进阶：Embedding、ANN算法与RAG落地的关键术语大家好，我是小马哥。最近把向量数据库的核心概念系统地捋了一遍——从 Embedding 基础到 ANN 算法、从 RAG 落地到架构选型，按"先搞懂是什么、再搞懂怎么选"的逻辑串起来。整理完发现还挺全的，分享出来给需要的兄弟。

小田学Python

RAG和Embedding技术解析：从理论到实践的探索THE END往期推荐RAG知识库搭建大揭秘：原来这么简单，还能这么有趣！大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树

小白说大模型

Prompt 工程的数学直觉：Embedding 空间中的 Prompt 优化的底层原理Prompt 工程从“写几句提示词”发展成了一套系统方法论，但即使是最复杂的链式推理、少样本示例，本质上都是在改变模型输入文本的语义位置。要深入理解 Prompt 优化的底层逻辑，就不能只停留在字面，而要进入 Embedding 空间——这个高维连续向量空间里，每个词、每个句子、每个 Prompt 都被映射为一个点。

Dify 知识库索引（中）：打开源码，拆穿关于“经济索引”的三个谣言动笔前我专门搜了一圈国内文章，直到 2025 年底还有高赞教程写着“经济索引通过 LLM 生成关键词”。以讹传讹，越传越像真的。所以这篇所有结论都来自我本地部署的 Dify 1.15.0 源码，一行行翻的。你装的是同一份开源代码，随时能自己验证。

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。