RAG 中的 Embedding 和向量数据库？
RAG 面试题发布于
一、Embedding（嵌入）
把文本转换为高维向量（如 768/1024 维），语义相近的文本向量距离近。
二、向量数据库
专门存储和检索向量的数据库，支持相似性搜索。
- Milvus：开源，高性能，分布式。
- Pinecone：云服务。
- Weaviate：开源，支持混合检索。
- Chroma：轻量，适合原型。
- FAISS：Meta 开源的向量检索库，非数据库。
三、相似度计算
- 余弦相似度：方向相近，与长度无关，最常用。
- 内积：考虑长度。
- 欧氏距离：空间距离。
四、检索方式
- 向量检索：语义相似，能找到同义表达。
- 关键词检索（BM25）：精确词匹配。
- 混合检索：向量 + 关键词，召回更全面。
五、Embedding 模型
- OpenAI text-embedding-3。
- BGE（智源）：中文效果好。
- M3E、GTE：中文开源。
- 选择时考虑语言、维度、性能。