向量的基础概念
什么是向量
RAG流程中，向量库是一个重要的节点。
- 离线流程：知识和信息 → 向量嵌入（向量化） → 存入向量库
- 在线流程：用户的提问 → 向量嵌入（向量化） → 在向量库中匹配
向量（Vector）就是文本的 "数学身份证"：它把一段文字的语义信息，转换成一串固定长度的数字列表，让计算机能 "看懂" 文字的含义并做相似度计算。
简单来说，就是让计算机更方便的理解不同的文本内容，是否表述的是一个意思。
文本嵌入模型
文本嵌入模型（如 text-embedding-v1）通过深度学习等技术，从文本提取语义特征并映射为固定长度的数字序列。
向量嵌入的过程，我们一般选用合适的文本嵌入模型来完成。
向量相似度计算
在向量匹配的过程中，如何识别 2 段文本是否表述相似的含义，主要可以通过如余弦相似度等算法来完成。
比如（下列案例中向量为示例，仅描述概念，非真实向量）：
- A："如何快速学打篮球" → [0.2, 0.5, 0.8]
- B："打篮球怎么学得快" → [0.18, 0.52, 0.79]
- C："运动后吃什么好呢" → [0.9, 0.1, 0.2]
通过余弦相似度算法可以计算得到：A 和 B 相似度 0.999789，A 和 C 相似度 0.361446
由此可通过精确的数学计算，去匹配 2 段文本是否描述同一个意思，提高语义匹配的效率和精度。
向量维度
如何更为精准的完成语义匹配，生成向量的维度是一个很重要的指标。
如 text-embedding-v1 模型，可以生成1536维的向量（一段文本固定得到1536个数字序列），比较实用。
维度的含义
- 1536个数字表示，这段文本在1536个主题（抽象的语义特征）方向上的得分（强度）
- 生成向量的维度越多，就更好的记录文本的语义特征，做语义匹配会更加精准。
- 更多的向量会在计算、存储和匹配过程中，带来更大的压力。
维度与性能的权衡
选择合适的向量维度需要在精确和性能之间做平衡。一般1536维算是比较好的选择。
总结
1.向量的计算（文本嵌入过程），可借助文本嵌入模型实现，如text-embedding-v1
2.向量的匹配通过算法实现，如余弦相似度
3.向量的维度表示一段文本在多个抽象语义特征方面的强度
- 维度数代表模型用多少个抽象语义特征来描述文本
- 维度越多，做语义匹配越精准
- 但性能压力也会增大