本篇目标：这是卷 1 的最后一篇。我们将揭开 AI 记忆与搜索的核心秘密——Embedding。如果你想做“知识库问答”或“文档检索”，这篇是必修课。

---

一、AI 眼里的世界：全是坐标

在人类眼里，“猫”是一种可爱的动物。
但在 AI 眼里，“猫”是一个向量（Vector），也就是一串长长的数字列表：
[0.12, -0.58, 0.99, ...]

1. 为什么要变成数字？

因为计算机算不了“猫 - 狗 = ?”，但它能算“向量 A - 向量 B = ?”。

2. 什么是 Embedding？

Embedding 就是把“万事万物”映射到一个高维空间里的“坐标点”。
在这个空间里：

• 语义相近的东西，坐标离得近。
• 语义无关的东西，坐标离得远。

举个通俗的例子（二维空间）：
假设我们只用两个维度来描述动物：[体型大小, 凶猛程度]

• 老虎：[9, 9] （很大，很凶）
• 狮子：[8.5, 9.5] （很大，很凶） -> 离老虎很近
• 猫：[2, 3] （小，不凶） -> 离老虎很远
• 狗：[3, 2] （小，不凶） -> 离猫很近

当我们计算这些坐标的距离时，就能发现：老虎和狮子是“一类”的，猫和狗是“一类”的。
AI 的 Embedding 模型（如 text-embedding-3-small）通常有 1536 个维度，能极其精准地捕捉词语之间微妙的关系。

---

二、向量检索（Vector Search）：找相似的利器

传统的搜索（Keyword Search）是匹配字面：

• 搜“手机”，能搜到“手机壳”，搜不到“移动电话”。
• 因为“手机”和“移动电话”字面不一样。

向量搜索是匹配含义：

• 先把“手机”变成向量 A。
• 先把“移动电话”变成向量 B。
• 计算 A 和 B 的距离（余弦相似度）。
• 发现距离极近！ 所以就算字面不同，也能搜出来。

这就是 RAG（检索增强生成） 的核心原理：

1. 把你公司的 1000 份文档切碎，全部变成向量，存进向量数据库。
2. 用户问一个问题，把问题也变成向量。
3. 在数据库里找离这个问题“最近”的几段话。
4. 把这几段话扔给 ChatGPT，让它总结回答。

---

三、实战：用 Python 算“相似度”

不用去学高数，Python 有现成的库。

1. 准备工作

你需要一个 Embedding 模型（比如 OpenAI 的 text-embedding-3-small 或本地的 bge-m3）。

2. 伪代码演示

import numpy as np

# 假设模型把文本变成了 3 维向量（实际是 1536 维）
vec_apple = np.array([0.9, 0.1, 0.1])  # 苹果
vec_banana = np.array([0.85, 0.15, 0.1]) # 香蕉
vec_car = np.array([0.1, 0.9, 0.1])    # 汽车

def cosine_similarity(v1, v2):
    # 计算余弦相似度（越接近 1 越相似）
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# 算算看
print(cosine_similarity(vec_apple, vec_banana)) 
# 输出：0.99 (极高！因为都是水果)

print(cosine_similarity(vec_apple, vec_car))
# 输出：0.21 (极低！因为毫无关系)

结论：Embedding 让计算机拥有了**“理解语义”**的能力，而不仅仅是“比对字符”。

---

四、向量数据库（Vector DB）：AI 的海马体

当你有几百万个向量时，用 Python 的 numpy 挨个算距离太慢了。
这时候就需要专门的向量数据库：

• Chroma / Faiss / Milvus / Qdrant
• 它们专门优化了“在高维空间找最近邻居”的算法，能在毫秒级返回结果。

对于个人开发者：

• 数据少（几千条）：直接用内存（Python list）或者轻量级库（Chroma）。
• 数据多（几千万条）：上专业的向量数据库（Milvus）。

---

本篇产出：相似检索的最小心智模型图

请记住这张图，它是所有“知识库问答”系统的骨架：

---

卷 1 结语：LLM 原理通关

恭喜你！完成了卷 1 的学习。现在你应该懂了：

1. Token：计费单位，别聊太久。
2. Temperature：控制脑洞的开关。
3. 预测下一个词：它不是查库，是在推理。
4. System Prompt：给它戴面具。
5. 结构化输出：让它吐 JSON。
6. Embedding：让它理解“意思”而不是“字面”。

这 6 个概念是 AI 编程的基石。
下一卷（卷 2），我们将进入“提示工程与工作流”，教你如何写出那些价值连城的 Prompt，以及如何把 AI 嵌入到你的代码里去干活。

准备好了吗？让我们把理论变成生产力。