作者：一位Android开发工程师 | 2026年6月10日
系列：第二阶段开始，进入RAG（检索增强生成）核心

前言

前7天我一直在调 LLM API，但有一个根本限制——LLM 只能回答训练数据里有的东西。你问它"公司内部 API 文档怎么写"，它不知道。

RAG（检索增强生成）解决这个问题：先把相关资料检索出来，再和问题一起发给 LLM。而 RAG 的第一步，就是今天要学的 Embedding——把文字变成数字向量。

Embedding 是什么

一句话：把"文字"翻译成"坐标"，让语义相近的句子在数学空间里挨得近。

类比 Kotlin：就像给每部电影打分（剧情/画面/演技），然后两部评分相近的电影就是"相似"的。

"Android开发" → [0.12, -0.34, 0.78, ..., 0.45]  （384个数字）
"移动端编程" → [0.15, -0.31, 0.72, ..., 0.41]  （384个数字，非常接近！）
"今天下雨"   → [-0.82, 0.61, -0.23, ..., 0.03] （差很远）

实验代码

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("all-MiniLM-L6-v2")

vec_a = model.encode("Android 应用开发")
vec_b = model.encode("移动端 App 编程")
vec_c = model.encode("今天天气很好适合出去跑步")

# 余弦相似度：两个向量越接近，值越接近 1
def cosine(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

print(f"Android vs 移动端: {cosine(vec_a, vec_b):.4f}")  # 预期 > 0.7
print(f"Android vs 天气:   {cosine(vec_a, vec_c):.4f}")  # 预期 < 0.5
print(f"移动端 vs 天气:   {cosine(vec_b, vec_c):.4f}")  # 预期 < 0.5

运行结果

Android vs 移动端: 0.7894  ← 高！意思相近
Android vs 天气:   0.4317  ← 低！不相关
移动端 vs 天气:   0.4487  ← 低！不相关

结果完美：语义相近的得分高，不相关的得分低。

关于模型选择

我用的是 all-MiniLM-L6-v2（80MB，轻量级，支持中英文）。但后面第11天发现它对中文检索精度不够，换成了 shibing624/text2vec-base-chinese（专为中文优化）。

国内下载 HuggingFace 模型需要镜像：

import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

今天的一句话总结

Embedding 把"不可计算的语义"变成"可计算的数字"——两段文字的语义相似度，变成了两个向量的余弦距离。这是 RAG 检索的数学基础。

下一篇预告

第9天：向量检索——把多段文档向量化存储，查询时找到最相关的。

本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。