以下是我学到的部分经验以及常见的理解误区：

1. BM25 是搜索的强基准线。哈！你以为我会先讲向量搜索，结果我在谈关键词检索。这正是第一课：在接触向量搜索等复杂技术前，应先从 BM25 这类简单方法入手。

2. 向量数据库中的向量搜索是近似而非精确的。理论上可以用暴力搜索计算查询向量与库中每个向量的距离（精确 KNN 算法），但这种方式扩展性差。因此向量数据库采用 HNSW、IVF 或 ScaNN 等近似最近邻(ANN)算法，在牺牲微量准确性的前提下加速搜索。正是向量索引技术让向量数据库具备大规模高速检索能力。

3. 向量数据库不仅存储嵌入向量。它们还存储原始对象（例如生成向量嵌入的文本）和元数据。这使得它们能够支持除向量搜索之外的其他功能，如元数据过滤、关键词搜索和混合搜索。

4. 向量数据库的主要应用场景并非生成式 AI，而是搜索。但为 LLMs 寻找相关上下文本质上就是"搜索"。这就是为什么向量数据库和 LLMs 像饼干配奶油般相得益彰。

5. 你必须指定想要检索的结果数量。回想起来，当我意识到需要定义想要检索的最大结果数时，这真是个醍醐灌顶的时刻——虽然有点过于简化，但如果没有 limit 或 top_k 参数，向量搜索会返回数据库中所有按与查询向量距离排序的对象。

6. 嵌入类型多种多样。当你想到向量嵌入时，脑海中浮现的可能是类似[-0.9837, 0.1044, 0.0090, …, -0.2049]这样的数值。这被称为稠密向量，是最常用的向量嵌入类型。但除此之外还存在稀疏向量([0, 2, 0, …, 1])、二进制向量([0, 1, 1, …, 0])以及多向量嵌入([[-0.9837, …, -0.2049], [ 0.1044, …, 0.0090], …, [-0.0937, …, 0.5044]])等多种形式，它们各自适用于不同场景。

7. 优质嵌入模型何处寻？首推大规模文本嵌入基准测试(MTEB)，它涵盖了分类、聚类和检索等各类嵌入模型任务。若专注信息检索领域，建议关注 BEIR 基准：一个用于信息检索模型零样本评估的异构基准测试。

8. MTEB 上大多数嵌入模型仅支持英语。如需处理多语言或非英语场景，值得关注多语言大规模文本嵌入基准测试(MMTEB)。

9. 关于向量嵌入的一点历史：在当今的上下文嵌入（如 BERT）出现之前，存在静态嵌入（如 Word2Vec、GloVe）。它们之所以被称为静态，是因为每个单词都有固定的表示形式，而上下文嵌入会根据周围语境为同一单词生成不同的表示。尽管现今的上下文嵌入表达能力更强，但在计算资源受限的环境中，静态嵌入仍具价值，因为它们可以从预先计算的表格中直接查询。

10. 不要混淆稀疏向量和稀疏嵌入。我花了些时间才明白稀疏向量可以通过不同方式生成：要么通过对词频（通常通过倒排索引获取）应用统计评分函数（如 TF-IDF 或 BM25），要么使用神经稀疏嵌入模型（如 SPLADE）。这意味着稀疏嵌入属于稀疏向量，但并非所有稀疏向量都必然是稀疏嵌入。

11. 万物皆可嵌入。嵌入不仅适用于文本，你还可以嵌入图像、PDF（视为图像，参见 ColPali）、图结构数据等。这意味着你能对多模态数据进行向量搜索，这相当不可思议。有机会你应该试试。

12. 向量嵌入的经济学。这一点不足为奇，但向量维度会影响所需的存储成本。因此，在选择 1536 维的嵌入模型而非 768 维模型时，请先权衡是否值得承担存储需求翻倍的风险。确实，更高维度能捕捉更多语义细节。但实现"与文档对话"功能很可能不需要 1536 维。部分模型实际采用套娃表示学习技术，允许在计算资源有限的环境中使用缩短后的向量嵌入，同时保持极小的性能损失。

13. 说到这个："与文档对话"教程堪称生成式 AI 领域的"Hello world"程序。<EOS>

14. 你需要频繁调用嵌入模型。即便在数据摄入阶段已完成文档嵌入，也不意味着可以停止调用嵌入模型。每次执行搜索查询时（若未使用缓存），查询语句同样需要被嵌入。后续新增对象时，这些对象同样需要嵌入（并建立索引）。如果更换嵌入模型，则必须重新嵌入（并重建索引）所有内容。

15. 相似并不一定意味着相关。向量搜索通过对象与查询向量的相似度返回结果，这种相似度由它们在向量空间中的接近程度来衡量。即使两个句子在向量空间中相似（例如"如何修理水龙头"和"哪里可以买到厨房水龙头"），也不意味着它们彼此相关。

16. 余弦相似度和余弦距离不是同一概念，但二者相互关联（ cosine distance=1−cosine similarity ）。可以说，距离和相似度是反比关系：如果两个向量完全相同，相似度为 1，它们之间的距离则为 0。

17. 当处理归一化向量时，使用余弦相似度还是点积作为相似度度量并不重要，因为从数学角度看它们是等价的。但从计算效率考虑，点积更为高效。

18. 常见误解：RAG 中的 R 代表"向量搜索"。实际上并非如此，R 代表"检索"(retrieval)。检索可以通过多种不同方式实现（参见后续要点）。

19. 向量搜索只是检索工具箱中的一种工具。还有基于关键词的搜索、过滤和重排序。它们并非非此即彼的关系。要构建出色的系统，你需要结合使用不同的工具。

20. 何时使用基于关键词的搜索 vs. 基于向量的搜索：你的用例主要需要匹配语义和同义词（例如"pastel colors"与"light pink"），还是精确关键词（例如"A 字裙"、“荷叶边连衣裙”）？如果两者都需要（例如"浅色 A 字裙"），结合两者使用混合搜索可能会带来好处。在某些实现中（例如 Weaviate），你可以直接使用混合搜索功能，然后通过 alpha 参数调整权重——从纯关键词搜索、两者混合到纯向量搜索。

21. 混合搜索可以是不同搜索技术的混合体。最常见的情况是，当人们谈论混合搜索时，他们指的是基于关键字的搜索和基于向量的搜索的结合。但“混合”一词并未具体说明要结合哪些技术。因此，有时你可能会听到人们谈论混合搜索，指的是基于向量的搜索与结构化数据搜索（通常称为元数据过滤）的结合。

22. 误解：过滤会使向量搜索更快。直觉上，你会认为使用过滤器应该能降低搜索延迟，因为你减少了需要搜索的候选数量。但实际上，预过滤候选可能会破坏 HNSW 中的图连接性，而后过滤则可能导致完全没有结果。向量数据库采用了各种复杂的技术来应对这一挑战。

23. 两阶段检索流程不仅适用于推荐系统。推荐系统通常采用第一阶段的简单检索（如向量搜索）来缩减候选范围，随后在第二阶段通过计算密集但更精确的重排序进行二次筛选。这一方法同样可应用于 RAG 流程。

24. 向量搜索与重排序的区别。向量搜索从整个数据库中返回少量结果，而重排序则对输入列表进行重新排序后输出。

25. 确定合适的文本块嵌入尺寸并非易事。尺寸过小会丢失关键上下文，过大则损害语义表达。多数嵌入模型采用均值池化技术，将各词元嵌入平均为单个向量表示。因此，若嵌入模型具备大上下文窗口，理论上可嵌入整篇文档。虽忘记出处，但有个精妙类比：这就像用电影所有帧叠加制作海报——信息俱全，却难辨剧情。

26. 向量索引库与向量数据库是两种不同的技术。两者都能实现极速的向量搜索，在"与文档对话"风格的 RAG 教程中都能完美展示向量搜索功能。但只有后者具备数据管理特性，例如内置持久化、CRUD 支持、元数据过滤和混合搜索能力。

27. 自首个长上下文 LLM 问世以来，RAG 技术就被不断宣告死亡。每当出现上下文窗口更长的 LLM 时，总有人声称 RAG 将退出历史舞台。但这种情况从未发生…

28. 即使丢弃 97%的信息，仍能（基本）准确地完成检索——这就是向量量化的魔力。以二值量化为例，你可以将类似[-0.9837, 0.1044, 0.0090, …, -0.2049]的向量转换为[0, 1, 1, …, 0]（存储空间从 32 位浮点数缩减至 1 位，降低 32 倍），而检索效果在某些应用场景中仍能保持惊人的准确度。

29. 向量搜索对拼写错误并不鲁棒。有段时间我以为向量搜索能处理拼写错误，因为大量文本语料中必然包含许多拼写错误，嵌入模型应该能学会这些错误。但仔细想想，训练数据中不可能包含足够数量的所有可能的单词拼写错误变体。因此，虽然向量搜索能处理部分拼写错误，但并不能说它具有拼写错误鲁棒性。

30. 了解何时使用哪种指标评估搜索结果。评估搜索结果的指标有很多种。观察学术基准测试（如 BEIR）时，你会发现 NDCG@k 指标很突出。但对于许多实际用例而言，精确率和召回率这类简单指标反而更合适。

31. 精确率与召回率的权衡常被比作渔夫撒网的类比，但这个电商例子让我茅塞顿开：假设你有个网店有 100 本书，其中 10 本是机器学习相关的。

    现在，如果用户搜索机器学习相关的书籍，你完全可以只返回一本 ML 书籍。太棒了！你获得了完美的精确率（在返回的 k=1 个结果中，有多少是相关的）。但召回率却很差（在所有存在的相关结果中，你返回了多少？这里只返回了 10 本相关书籍中的 1 本）。而且，这对你的业务也不利。也许用户并不喜欢你返回的那本 ML 书籍。

    另一个极端情况是返回全部书籍——整整 100 本，且未经排序…这样召回率是完美的，因为你返回了所有相关结果。问题在于同时也返回了大量无关结果，这可以通过极低的精确率来衡量。

32. 有些指标会考虑排序因素。当我想到搜索结果时，脑海中浮现的是类似谷歌搜索的界面。因此很自然地认为搜索结果的排序很重要。但像精确率和召回率这类指标并不考虑结果顺序。如果你的应用场景中排序很关键，就需要选择考虑排序的指标，如 MRR@k、MAP@k 或 NDCG@k。

33. 分词器至关重要。如果你长期沉浸在 Transformer 的世界里，可能已经忘记了除字节对编码(BPE)外还存在其他分词器。分词器对关键词搜索及其性能同样重要。既然分词器会影响基于关键词的搜索性能，那么它必然也会影响混合搜索的表现。

34. 领域外与词汇表外不是同一概念。早期的嵌入模型常因遇到词汇表外术语而失效。如果嵌入模型从未接触过"Labubu"这个词，系统就会直接报错。通过智能分词技术，可以优雅处理未见过的词汇表外术语，但问题在于这些术语仍属于领域外词汇——它们的向量嵌入看似规范，实则毫无意义。

35. 查询优化：就像你学会了在谷歌搜索栏输入"非洲最长河流"，而不是"非洲最长的河流叫什么名字"一样。你已经学会了为关键词搜索优化查询（是的，我们知道谷歌搜索算法更复杂。能先这么理解一下吗？）。同样地，我们现在需要学习如何为向量搜索优化查询。

36. 向量搜索之后是什么？最初是基于关键词的搜索。后来，机器学习模型实现了向量搜索。现在，具备推理能力的 LLMs 实现了基于推理的检索。

37. 信息检索现在正炙手可热。能在这个激动人心的领域工作，我感到非常幸运。虽然研究和应用 LLMs 看起来很酷，但弄清楚如何为它们提供最佳信息同样令人兴奋——这就是检索领域的魅力所在。

我要重申最后一点，但回顾过去的两年，我深感庆幸能在这个领域工作。目前我所掌握的只是皮毛，仍有太多知识需要学习。当初加入 Weaviate 时，向量数据库还是新兴热门技术。随后 RAG 技术兴起。如今，我们又在讨论"上下文工程"。但始终不变的核心是：为 LLM 寻找最佳信息输入，才能获得最优答案。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】