适合读者：刚接触AI/大模型，想知道“向量”“Embedding”到底是个啥的Python新手
读完本文你将学会：

1. 用生活例子理解Embedding的本质

2. 用Python和一句命令生成真正的Embedding向量

3. 计算“猫”和“老虎”有多像（结果可能让你意外）

4. 避开新手最常问的3个灵魂问题

运行环境：Python 3.8+，只需安装一个库（见下文）

---

一、为什么AI需要把文字变成数字？

先问一个扎心的问题：计算机认识“猫”这个字吗？

答案是：不认识。计算机只认识 0和1。

如果我们直接把“猫”当成字符串丢给AI，AI看到的是二进制编码（比如 101101...）。这种编码只能区分“猫”和“虎”不同，但完全不知道“猫”和“老虎”是相似的动物。

这就麻烦了——我们要让AI理解：“猫”和“老虎”相似，“猫”和“汽车”不相似。

于是科学家想出一个办法：把每个词/图片/句子，映射成一串有意义的数字（数组），这串数字就是Embedding向量。

简单来说：
Embedding = 把东西变成一串数字，且相似的东西，数字也相似。

---

二、3岁小孩都能懂的例子：把水果变成二维坐标

假设我们只有两个维度可以描述水果：甜度 和 水分。

水果	甜度 (0-10)	水分 (0-10)	Embedding向量
西瓜	8	9	[8, 9]
草莓	7	8	[7, 8]
干枣	9	2	[9, 2]

现在看这三组数字：

• 西瓜 [8,9] 和草莓 [7,8] → 很接近（都是又甜又水）

• 西瓜 [8,9] 和干枣 [9,2] → 较远（干枣水份太少）

看，只要比较数字之间的距离，就能判断两个东西是否相似。
这就是Embedding最核心的思想。

真实AI中的Embedding：不是2维，通常是几百到几千维（比如OpenAI的text-embedding-3-small是1536维）。维度越多，能刻画的细节越丰富。

---

三、动手！3行Python代码生成真正的Embedding

注意：下面使用的是一个极小的本地模型（完全免费、无需API key），生成的向量只有384维，足够理解原理。

第一步：安装库

打开终端（Windows用cmd/PowerShell），执行：

bash

pip install sentence-transformers

这个库专门用来生成Embedding，封装了各种好用的模型。

第二步：写代码

创建一个文件 embedding_demo.py，输入以下代码：

python

from sentence_transformers import SentenceTransformer

# 1. 加载一个超小模型（首次运行会自动下载，约120MB）
model = SentenceTransformer('all-MiniLM-L6-v2')

# 2. 定义几个词
words = ["猫", "老虎", "汽车", "香蕉"]

# 3. 生成Embedding向量
embeddings = model.encode(words)

# 打印结果
for word, vec in zip(words, embeddings):
    print(f"{word} -> 向量的前8个数字: {vec[:8].round(2)}")  # 只打印前8维，完整的是384维
    print(f"   向量形状: {vec.shape}\n")

运行：

bash

python embedding_demo.py

你会看到类似这样的输出：

text

猫 -> 向量的前8个数字: [ 0.12 -0.34  0.56 -0.78  0.91 -0.23  0.45 -0.67]
   向量形状: (384,)

老虎 -> 向量的前8个数字: [ 0.11 -0.33  0.55 -0.77  0.90 -0.22  0.44 -0.66]
   向量形状: (384,)

汽车 -> 向量的前8个数字: [ 0.89 -0.12  0.23 -0.45  0.34 -0.67  0.78 -0.56]
   向量形状: (384,)

...

⚠️ 重要：你看到的数字可能和上面不完全一样，不同模型/版本会有差异，但规律是一致的：猫和老虎的向量更接近。

---

四、怎么判断两个向量有多像？用余弦相似度

数字本身看不出相似性，我们需要一个相似度公式。最常用的是 余弦相似度：结果在 -1 到 1 之间，越接近 1 越相似。

继续在上面的代码末尾添加：

python

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# 计算猫和老虎的相似度
sim_cat_tiger = cosine_similarity([embeddings[0]], [embeddings[1]])[0][0]
# 计算猫和汽车的相似度
sim_cat_car = cosine_similarity([embeddings[0]], [embeddings[2]])[0][0]

print(f"猫 vs 老虎 相似度: {sim_cat_tiger:.4f}")
print(f"猫 vs 汽车 相似度: {sim_cat_car:.4f}")

运行后你大概率会看到：

text

猫 vs 老虎 相似度: 0.78
猫 vs 汽车 相似度: 0.21

看！猫和老虎确实更像。这个模型从来没有被直接告诉“猫≈老虎”，它完全是从大量文本中自己学出来的。

---

五、新手最常见的3个灵魂问题（附解答）

❓ 问题1：384维的数字，人怎么看得懂？

答：不需要看懂。Embedding是给计算机看的，就像你把照片存成RGB三通道的数字矩阵，你也不会去看每个像素值。你只需要比较向量之间的距离。

❓ 问题2：不同模型生成的Embedding能互相比较吗？

答：不能。就像你用厘米尺量身高得170，用英寸尺得67，数字不同但都是对的。比较时必须用同一个模型生成的向量。

❓ 问题3：Embedding能用来做什么？

答：几乎所有现代AI应用都在用它：

• 语义搜索：搜“怎么退烧”能匹配到“体温过高怎么办”

• 推荐系统：你看过《复仇者联盟》 → 推荐《银河护卫队》（因为电影Embedding接近）

• 文本分类：把邮件转成Embedding，再喂给一个简单的分类器

• RAG（检索增强生成）：大模型回答前，先去知识库里找最相关的Embedding片段

---

六、总结（记住这3句话就够了）

序号	一句话总结
①	Embedding就是把文字/图片变成一串有意义的数字（向量）
②	相似的东西，它们的Embedding向量在空间中离得近
③	Python里用 sentence-transformers 几行代码就能生成

---

七、给你的小挑战（做完才算真的懂）

试着修改代码，计算“老虎”和“狮子”的相似度。
如果你没有“狮子”的向量，可以用 words.append("狮子") 再重新运行。
问题：你觉得相似度会比“猫vs老虎”更高还是更低？为什么？

欢迎把你的结果和思考发在评论区（可以截图运行输出）。

---

八、下一步学什么？

• 如果你想知道余弦相似度的公式原理（其实就一个点积公式）：推荐看 Cosine Similarity – Wikipedia（有图，很简单）

• 如果你想用Embedding做一个真正的语义搜索小工具：可以搜索“Python + FAISS 向量检索 入门”

• 如果你想了解大模型里的Embedding是如何训练的：搜索“Word2Vec 词向量 通俗解释”

---

最后更新：2025-03 | 基于 sentence-transformers 2.2.2 | Python 3.10

如果你运行时遇到 No module named 'sklearn'，执行 pip install scikit-learn 即可。