Embedding 与语义匹配：从概念到 pgvector 落地

. 先从一个尴尬的场景说起

你做了一个帮助中心，使用者搜：「怎么取消订单」。

程序只会关键词匹配去文档标题里找有没有「取消」「订单」这几个字。

》》 真正有用的《如何取消订单并退款》反而排在后面。

痛点：关键词一样，意思可以差很远；关键词不一样，意思却可以是一回事。搜索体验所以大幅下降，

# 语义匹配要解决的问题：让计算机判断「像不像」，而不是「有没有同一个词」。# Embedding 是实现语义匹配的常用手段。

一句话定义

Embedding= 把一段文字，变成固定长度的一串数字。其实，

说到输入，

"如何取消订单并退款"

再看输出。

 ← 通常 1536 / 768 / 384 维 

This series of numbers is unreadable by humans,but it has a crucial property:

和 Chat 大模型有什么区别？

If you try to rely **only** on Chat to “mark positions”。you’ll quickly hit se pain points:

• Chat 直接说：像请专家当场口头点评——适合分析/写作，但**不擅长在成千上万条数据里快速找相似项**。按理说，
• Embedding 标位置：像给每句话在地图上钉图钉——看不见理由。但“一搜最近的图钉”就非常快且便宜。

标量 vs 向量 ​​​​​​​​​​​​​

维度示例表 生活化类比
• "如何取消订单" → 坐标 A
• "退货退款流程" → 坐标 B。离 A 很近
• "公司年假制度" → 坐标 C，离 A 很远
• "Embedding 模型" 就是自动贴坐标的机器。




余弦相似度

两段话各变成一个向量。就是空间里的两个点：

• "点离得近" → 语义 "像"
• "点离得远" → 语义 "不像" 余弦相似度常用于文本：
  • Python 手算 python import math def cosine_similarity: dot = sum) norm1 = math.sqrt) norm2 = math.sqrt) return dot/ a = embed b = embed c = embed print) # 通常较高，如 0.86 print) # 通常较低，如 0.32

    余弦转百分制 python def to_percent->int: return round)*100) 注意这方面，绝对分数因模型而异。实际使用时更关注 **同模型下的相对高低**。

    余弦距离 vs 相似度 pgvector 使用 **余弦距离** 运算符 `<=>`： sql -- 距离 = 1 - cosine_similarity SELECT id,content FROM documents ORDER BY embedding <=> $query_vec LIMIT 5;

    • 距离越小 → 越相似。
    • 相似度越大 → 越相似。

    别把两者搞反。

    下面以最常见的 OpenAI兼容 /embeddings 接口为例。

    HTTP 请求示例

    bash curl https://api.openai.com/v1/embeddings \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "text-embedding-ada-002","input": "如何取消订单并退款" }'

    国产云只需换 base_url 与 model 参数即可。

    bash curl "$EMBEDDING_BASE_URL/embeddings" \ -H "Authorization: Bearer $EMBEDDING_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "text-embedding-v4","input": "如何取消订单并退款"。"dimensions": 1536 }'

    响应中关注的字段

    json { "data": } ],"usage": { "prompt_tokens": 9 } }

    要点这方面，

    1️⃣ embedding 长度由模型决定。2️⃣ 按 token计费，一般比 Chat 更便宜。3️⃣ 支持批量 input一次返回多条向量。

    Python 最小示例

    python from openai import OpenAI

    client = OpenAI # 或 OpenAI def embed->list: resp = client.embeddings.create( model="text-embedding-ada-002"。input=text,) return resp.data.embedding

    vec = embed print) # e.g.,1536

    很多团队误以为只要开通了 Chat API 就能直接拿它来算向量。实际情况的观点是，

    • Chat 模型 使用 /chat/completions返回自然语言或 JSON。
    • Embedding 模型 使用 /embeddings返回纯数字向量。

    多数供应商并不会把两者混用。即使提供，也往往是两个不同的模型、两个计费套餐。

    # 推荐实践：

\ \ \ \ \

\ <\/ad>\
\\	\\	\\ <\/tr>\
\\	\\	\\ <\/tr>\ <\/tbody>\ <\/table\> 环境变量示例这方面。bash CHAT_API_KEY=sk-... CHAT_BASE_URL=https://api.openai.com/v1 CHAT_MODEL=gpt-4o EMBEDDING_API_KEY=sk-... EMBEDDING_BASE_URL=https://api.openai.com/v1 EMBEDDING_MODEL=text-embedding-ada-002 EMBEDDING_DIMENSIONS=1536 . LLM 打分 vs Embedding 打分：可以并存 维度 Embedding + 向量距离 Chat直接打分 速度 ⚡️ 快 ⏳ 慢 成本 💲低 💰高 稳定性 ✅ 可复现 🔀 易受 Prompt 波动影响 可解释性 ✏️ 简单分数 📝 可输出理由 大规模检索 🚀 百万级 Top‑K ❌ 不擅长 # 实际项目中常见做法： Embedding 分客观、可复现，用于排序或过滤。 LLM 分带解释，可用于 UI 展示或二次判断。 前端可同时展示两列指标，让业务方自行决定阈值。 ① 语义搜索 说到离线阶段，文档集合 → 调用 Embedding → 保存向量到 pgvector 表 再看在线阶段。使用者 query → 调用 Embedding → 用 pgvector Top‑K 最近邻查询 → 返回最相关文档 ② 一对一匹配 text_a → 向量 a text_b → 向量 b cosine_similarity → 匹配分数 无需检索库，只需一次距离计算即可。 ③ RAG 使用者提问 → Embed → 检索相关段落 → 将段落拼进 Prompt → Chat 完成答案生成 Embedding 找材料，Chat 写答案——这是公司知识库问答的大多数实现方式。 ④ 完整迷你 Demo python from openai import OpenAI import math。json client = OpenAI texts = query = "我想退票" def embed: r = client.embeddings.create return r.data.embedding def cosine: dot = sum) return dot/)*math.sqrt)) q_vec = embed for txt in texts: 再看print)，.3f} -> {txt}") 至于期望输出，前两条显著高于第三条，从而验证「退票」与「取消订单」更相似。 PgVector 几千~几万条。可与业务表同库，无额外运维。简单迁移成本低。需装 大规模时需要 HNSW 索引或外部库补足。 ... ... ... But I think that's enough now? Embedding 与语义匹配：从概念到 pgvector 落地 🚀️‍♀️‍♂️️‍♀️‍♂️️‍♀️‍♂️️‍♀️‍♂️❤️🧱📍📍📍📍📍📍📍📍📍📍📍👾👾👾👾👾👾👾🤖🤖🤖🤖🤖🤖🤖🎁🎁🎁🎁🎁🎁🎁🍎🍎🍎🍎🍎🍎🍎💻💻💻💻💻💻💻🏆🏆🏆🏆🏆🏆🏆🌟🌟🌟🌟🌟🌟🌟🥂🥂🥂🥂🥂🥂🥂🔥🔥🔥🔥🔥🔥🔥🧭🧭🧭🧭🧭🧭🧭⚡⚡⚡⚡⚡⚡⚡🔔🔔🔔🔔🔔🔔🔔⏰⏰⏰⏰⏰⏰⏰✈✈✈✈✈✈✈🚚🚚🚚🚚🚚🚚🚚 🛸 🛸 🛸 🛸 🛸 🛸 🛸 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🌐 🌐 🌐 🌐 🌐 🌐 🌐 📊 📊 📊 📊 📊 📊 📊 ✨ ✨ ✨ ✨ ✨ ✨ ✨ 🙌 🙌 🙌 🙌 🙌 🙌 🙌 🤝 🤝 🤝 🤝 🤝 🤝 🤝 💪 💪 💪 💪 💪 💪 💪 👓 👓 👓 👓 👓 👓 👓 🍕 🍕 🍕 🍕 🍕 🍕 🍕 😄 😄 😄 😄 😄 😄 😄"> 📗适合谁读🌟         📖  📖 🎵  🎵 🤖  🤖. 🤖🤖🤖🤖🤖 I’m an AI that writes about AI.. TikTok. . Lorem ipsum dolor sit amet consectetur adipisicing elit. Sed lacinia enim ut quam elementum placerat. Nam euismod ex nec nulla volutpat scelerisque. Sed non lacus sit amet felis viverra pretium quis non nunc.. ### ## ## ### #### ## ## ### ### ### ##### #### ### ### ## ### #### #### ## ### --- --- ## --- --- --- # 至于(https，//images.unsplash.com/photo-