embedding

LiaoWL1231 天前
python·numpy·embedding
NumPy 入门实战(二):向量化与余弦相似度——从 ndarray 到 Embedding目录前言一、向量化到底快在哪二、从矩阵乘法到点积,再到余弦相似度核心公式:一步步推第 1 步:展开 ‖a-b‖²
聪明的笨猪猪3 天前
经验分享·面试·架构·embedding·数据库架构
企业知识库AI架构选型:落地导向的架构决策与组件清单企业内部知识库是当前落地最广、投入产出比最高的企业级AI场景,其架构选型的核心矛盾是检索准确率、权限合规、运维成本、迭代效率四者的平衡。架构设计的核心目标,是让员工精准获取内部制度、流程、业务资料,同时满足企业数据安全、权限管控、可运维的硬性约束,而非盲目堆砌前沿技术。
nice_lcj5204 天前
java·spring boot·embedding·向量数据库·rag·spring ai·ai应用开发
【从零理解 Spring AI · 14】RAG 的四个环节:加载、切分、向量化、检索上一篇的最小闭环里,"把文档导入向量库"被一句话带过了。真到落地,你会发现RAG 项目的坑 80% 都埋在导入环节:PDF 解析乱码、段落切得稀碎、检索回来的内容答非所问。
民乐团扒谱机12 天前
人工智能·机器学习·embedding
【一文吃透】机器学习 Embedding 降维打击:从底层空间几何原理到 RAG 向量检索工程实战避坑在自然语言处理、计算机视觉以及当前爆火的 RAG(检索增强生成)架构中,Embedding(嵌入)是支撑整个智能系统运转的绝对基石。很多开发者初识 Embedding,往往只停留在“把词语变成一串浮点数”的表面认知上,导致在实际开发中遭遇向量维度爆炸、相似度计算选错、跨模态检索失效等各类工程灾难。要真正驾驭这项技术,必须跳出单纯的代码调用,从机器理解人类离散符号的降维转换逻辑切入,理解其在多维空间中的几何意义,并掌握将其大规模落地到生产环境的工程准则。
一木 之林16 天前
笔记·学习·embedding·dify
Dify学习笔记 04 · 检索底座:Embedding、Rerank与向量数据库(第46-54集)一句话总结:RAG 的检索上限由底座决定。本模块讲透三件事:Embedding 如何把文本变成可计算语义的向量(word2vec 的 CBOW/Skip-gram、微调与 MTEB 评估);Rerank 如何用"双编码粗召回 + 交叉编码精排"两阶段架构把准确率拉满(CrossEncoder 微调、RankGPT、模型合并);以及向量数据库如何用相似度度量、ANN 索引(HNSW/IVF)和 k-means 实现毫秒检索,并给出 Chroma / Qdrant / Milvus / pgvector 的选
AI小百科19 天前
人工智能·embedding
Embedding 是什么?为什么它是 AI 的“翻译官“如果你最近在关注 AI,可能会碰到一个高频词:Embedding(嵌入)。资料库要接 AI,说先做向量化;做企业知识库问答,说要建索引。听起来很技术,但它背后的道理其实特别朴素——它要解决的,是"机器读不懂文字"这个最原始的问题。这篇文章用最生活的方式,讲清这个 AI 世界的"翻译官"。
npupengsir1 个月前
embedding
LUXICAL文档embedding模型介绍论文: LUXICAL: HIGH-SPEED LEXICAL-DENSE TEXT EMBEDDINGS
前端.火鸡1 个月前
人工智能·embedding
Embedding:机器是怎么“理解“语义的这一篇回答一个听起来很玄的问题:机器凭什么知道"苹果"和"香蕉"比"苹果"和"汽车"更像?答案不玄,甚至有点朴素——它把"像不像"换算成了"远不远",然后交给几何去算。
旋生万物1 个月前
人工智能·大模型·aigc·软件工程·知识图谱·embedding·后端开发
全息结构入门:Embedding、向量库、知识图谱的统一视角一句话结论:全息不是"每个碎片都能还原整张图"的科幻桥段——它是 I² = -N 在信息层面的严格投影。局部包含整体的编码结构,恰好就是 Embedding 向量、向量数据库索引、知识图谱子图的核心数学性质。全息深度 = 从局部恢复整体所需的最小信息量。
HySpark1 个月前
embedding·语音情感识别·egemaps·opensmile
从5秒延迟到轻量级推理:eGeMAPS与Embedding原型库的情感识别实践在语音情感识别项目中,模型最容易暴露的问题并不一定是准确率,而是实际音频输入后,输出结果是否稳定、及时,并且符合人的听感。
浪子明X1 个月前
人工智能·langchain·embedding
LangChain 接入 Embedding 之前:先画清文本、向量与检索器的契约LLM 应用接入 Embedding 时,最常见的风险不是模型调用失败,而是文本切分、向量维度和检索结果在不同组件之间悄悄漂移。本文从榜单中的 LangChain 与 Embedding 主题出发,给出一条可审计的接入路径:把原文、切片、向量、过滤条件和引用证据分别建模,再为每个环节设置契约和回归样本。示例只用于说明接口边界,不代表已在任何线上服务中运行。
丈剑走天涯1 个月前
embedding
rag ollama + qwen3+ embedding + chroma_db 回答content为空现象:done_reason=‘length’,message.content=“”,message.thinking=“一大段思考文字”
智码看视界1 个月前
embedding·milvus·向量数据库·chroma·rag·语义检索·选型对比
向量数据库选型实战:Milvus vs Chroma vs Qdrant 谁更适合 RAGRAG 系统真到生产才发现有 N 个坑,向量库选型不能只看 benchmark。RAG 系统的向量库,真到生产才发现有 N 个坑。先定义 5 个选型维度:
坊钰1 个月前
数据库·python·langchain·embedding
【LangChain框架入门级】10. 文本向量与向量数据库(Embedding / Redis / Pinecone / MMR)文档切好之后,要把文字变成计算机能比较「语义相似度」的数字——这就是文本向量(Embedding);而存储、检索这些向量的地方,就是向量数据库。 本篇讲解:向量、维度、向量空间与余弦相似度,OpenAI 嵌入模型的用法,以及 InMemory、Redis、Pinecone 三种向量存储和三种搜索方式。
吱屋猪_1 个月前
embedding·健康医疗·ai编程
一个RAG系统是怎样运行的:从文档分块到大模型回答本文主要结合我在MediGraph项目中的实践,介绍一个RAG系统从文档进入知识库,到最终生成可追溯回答的完整流程。
XLYcmy1 个月前
数据库·python·网络安全·pdf·embedding·dify·rag
PDF 论文处理器 — 技术报告文档适用项目:数据处理脚本 / Dify 知识库数据生成工具文档性质:技术剖析与归档本文档覆盖以下内容:本工具是一个面向网络安全(网安)科研论文的领域专用 PDF 文本预处理流水线。其目标是将分散存储的英文论文 PDF,转化为 Dify 知识库可直接导入的高质量"数据块(chunk)",服务于 RAG(检索增强生成)场景下的论文检索、研究现状总结与创新点挖掘。
jinyishu_1 个月前
embedding
Embedding 向量嵌入:语义空间、相似度与模型选择计算机很容易比较数字,却不能直接理解“如何启动服务”和“服务的启动步骤”表达了相近含义。Embedding 模型解决的正是这个问题:它把文本、图片或音频映射成一组稠密向量,让语义关系能够通过数学距离来比较。
lie..1 个月前
人工智能·算法·embedding
30天从零开始学AI应用开发(Day 16):Embedding 是什么?用人话讲明白“向量检索”这是系列的第 16 篇。整个系列写给零基础、想入行 AI 的朋友,每天一篇,30 天后你会做出 3 个能写进简历的项目。
大连好光景1 个月前
embedding·ai-native
RAG中为什么要做Embedding?嵌入模型如何选?一句话:中文选BGE或M3E、英文选OpenAI或Cohere、轻量级选Sentence-BERThttps://huggingface.co/spaces/mteb/leaderboard