这张卡讲清嵌入这个 RAG 系统里最容易被当黑盒对待的部件。
核心拆解：嵌入把文本压成高维向量，语义相近则距离相近，检索因此变成算距离。嵌入质量直接决定检索上限：领域黑话、中英混排、切块方式，都会让同一句话在不同模型下落到完全不同的位置。最容易误用的地方：一是把嵌入当万能语义探测器，它对编号、型号、法条编号这类精确匹配反而最弱，需要关键词检索补位；二是低估换模型的代价——语义空间整体改变，全库向量作废、索引重建、评测基线重跑，生产环境里约等于一次数据迁移工程。
增量判断：选型榜单数据与你客户语料的分布未必一致，领域适配要用自己的评测集验证。FDE 的增量视角是版本管理：嵌入模型是索引的一部分，应与知识库版本一起锁定，变更必须走回归。
行动建议：确认当前嵌入模型版本是否记录在案，并补一组领域术语的检索评测用例。
—— FDEChina编辑部 · 实战派
定义
向量嵌入（Embedding）指用模型把文本、图像等内容映射为高维数值向量，使语义相近的内容在向量空间中彼此靠近，从而把「语义相似」转化为「距离计算」的表示技术。
展开
嵌入质量直接决定检索上限：领域黑话、中英混排、长文本切块方式，都会让同一句话在不同嵌入模型下落到完全不同的位置。常见误用一是把嵌入当万能语义探测器——它对编号、型号、法条编号这类精确匹配反而最弱，需要关键词检索补位；二是低估更换嵌入模型的代价：语义空间整体改变，已有向量全部作废，索引要重建，评测基线要重跑，这在生产环境约等于一次数据迁移工程。与向量数据库的辨析：嵌入是数据的表示方式，向量数据库是存储并加速这种表示检索的系统，前者决定「能不能搜到」，后者决定「搜得多快多省」。
FDE 交付中应把嵌入模型版本当作索引的一部分锁定管理，变更必须走评测回归，而不是当成一次无害的配置升级。