1.1 核心概念与定义

1.1 核心概念与定义

「Embedding」这个词在论文里被翻译成嵌入、向量化、表示学习，初见容易发懵，但它就是全书的原子概念：把一段非结构化内容压成一串固定长度的浮点数。本节是全书概念的起点，先把词汇表立起来，再亲手算一次最小规模的相似检索，最后划清它与关系型数据库的分野——后面六章的每一个技术决策，都建立在这些定义之上。

先把词汇表立起来

向量与维度。 向量就是一串有序的数，数的个数叫维度。一个 768 维的文本向量就是 768 个浮点数排成的序列，在数学上可以被看作高维空间里的一个点。维度本身不携带语义单位——第 37 维并不对应"某个具体概念"——语义分布在整条向量的方向和长度里，这是它和"一个字段存一个属性"最本质的差别。

嵌入。 嵌入是把原始内容映射为向量的过程和结果的统称。映射由嵌入模型完成：文本模型把句子编码成向量，图像模型把像素编码成向量，训练目标通常被概括成一句话——语义相近的内容，向量在空间中也彼此靠近。这句话是整个技术栈的公理：如果模型认为两条差评不相似，再好的数据库也查不出它们的相似。

近邻搜索与 TopK。 给定查询向量和一个向量集合，按距离从小到大排序，取前 K 个，就是 K 近邻搜索，返回的结果叫 TopK。数据库语境下它对应这样的查询："给我返回最相似的十条"。注意它没有"WHERE 等于某个值"的精确语义，返回的是排序后的近似最优解——"近似"二字是第三章的主角。

召回率。 衡量近似检索质量的核心指标：近似算法返回的 TopK 里，有多少条真的属于精确算法会给出的 TopK。若精确答案有十条、近似结果猜对了九条，召回率就是九成。召回率和延迟、内存构成一条铁三角，全书都在这条三角里挪动支点。

索引与过滤。 索引是为加速近邻搜索而构建的辅助数据结构，代价是额外的内存和构建时间；过滤指在检索时叠加标量条件，比如"只在某个租户的数据里找""只要上架状态的商品"。带过滤的向量检索是第四章和第五章的重要话题。

动手算一次相似检索

抽象定义说再多，不如亲手排一次序。下面这段代码只依赖 numpy，构造了六个二维"文档向量"和一个查询向量，分别用欧氏距离和余弦相似度找出前三近邻：

import numpy as np

# 六个二维点，想象成六篇文档的"超简化嵌入"
docs = np.array([
    [1.0, 1.0],   # d0
    [1.5, 0.8],   # d1，与 d0 方向接近、距离很近
    [3.0, 4.0],   # d2，与查询同方向但更远
    [4.0, 1.0],   # d3
    [2.0, 2.2],   # d4
    [0.5, 3.0],   # d5
])
query = np.array([2.8, 2.6])

# 口径一：欧氏距离，衡量绝对位置差
l2 = np.linalg.norm(docs - query, axis=1)

# 口径二：余弦相似度，衡量方向是否一致
cos = (docs @ query) / (np.linalg.norm(docs, axis=1) * np.linalg.norm(query))

top_l2  = np.argsort(l2)[:3]      # 距离最小
top_cos = np.argsort(-cos)[:3]    # 相似度最大

print("按欧氏距离 Top3 :", top_l2,  np.round(l2[top_l2], 3))
print("按余弦相似度 Top3:", top_cos, np.round(cos[top_cos], 3))
​

运行结果值得盯着看：欧氏距离口径返回的是 d4、d2、d1，余弦口径返回的是 d2、d4、d0。同一份数据、同一个查询，仅仅换了距离定义，排名就变了——d0 位置离查询最远，但方向和查询几乎一致，于是在余弦口径下挤进了前三。这个十几行的小实验浓缩了向量检索的第一课："相似"没有唯一答案，它取决于你选的度量口径。第二章会系统地讲每种口径的适用场景；这里只需记住，任何向量数据库返回结果的顺序，都隐含了你当初建集合时选定的度量方式。

与关系型数据库的分野

用一张表把两种存储设施在关键维度上摆在一起：

这张表不是要说谁取代谁，恰恰相反：生产系统里它们几乎总是并存的。业务的主数据、订单、库存放在关系库里，向量和它的过滤字段放在向量库里，用业务主键互相勾连。第六章讲选型时会反复用到这个分工原则——向量库接管的是"找相似"这一步，而不是整个业务数据面。

还有一点值得提醒：向量数据库的"近似"不是缺陷，而是刻意的设计取舍。精确的近邻搜索在三维四维里毫无压力，可维度一高，距离计算的代价会以肉眼可见的速度失控，3.1 节会用实验让你亲眼看到这堵墙。理解了这堵墙，才能理解为什么整本书要花那么多篇幅在索引结构上。

三个高频疑问

问：有了 Elasticsearch 这类搜索引擎，为什么还需要向量数据库？ 搜索引擎的强项是倒排索引——按词项精确命中再按相关性打分，它理解"词的重合"，不直接理解"语义的接近"。两个说法完全不同但意思一致的句子，词面几乎不重叠，倒排检索会失手，向量检索能命中。反方向的例子也成立：代码搜索、日志检索这类强词面场景，倒排依然是更好的选择。生产系统里两者正在融合成混合检索，第六章会看到各家产品的实现差异。

问：维度是不是越高越好？ 不是。维度决定表达能力的上限，但也决定成本的下限：内存、带宽、距离计算时间全部随维度线性增长。更微妙的是，维度翻倍并不保证语义区分度翻倍——嵌入模型的训练质量对区分度的影响远大于维度本身。选型的正确顺序是先用低维模型跑通全链路量出基线，再评估升级换来的召回提升是否值回成本，而不是从维度表上挑最大的。

问：TopK 的 K 应该怎么定？ 由下游消费方式倒推。直接展示给用户的列表，K 就是页面容量加少量冗余；喂给重排模型的，K 是精排容量乘以损耗系数（5.2 的超量取回）；喂给大模型的检索增强，K 受上下文窗口预算约束，还要给每段内容留字符余地。K 越大召回越难保证（同样的索引参数下，TopK 为一百的召回率低于 TopK 为十），调参时 K 变了参数必须重扫——这条纪律能省掉大量"参数失灵"的冤案。

本节要点回顾

• 嵌入是把非结构化内容映射为定长向量的过程，"语义相近则向量相近"是整个技术栈的公理。
• 近邻搜索返回按距离排序的 TopK，"近似"是设计取舍而非缺陷。
• 召回率度量近似结果与精确答案的重合度，与延迟、内存构成铁三角。
• 同一份数据换距离口径，TopK 排名会不同——度量方式在建库时就已确定。
• 向量库与关系库是分工而非替代，前者接管"找相似"，主数据仍在关系库里。

下一节把镜头拉远，看看这些概念是怎么一步步从论文走进生产系统的——演化路径会解释今天每一项设计为什么长成这样。