你是否在 Twitter 上频繁看到“Embedding”、“向量数据库”这些术语？它们正迅速成为人工智能领域最炙手可热的技术之一。Pinecone（一家专注于向量数据库的公司）近期以约 10 亿美元的估值成功融资 1 亿美元，Shopify、Brex、Hubspot 等知名企业也在其 AI 应用中大量采用这些技术。那么，Embedding 究竟是什么？向量数据库为何如此关键？它们又是如何与大型语言模型（LLM）协同工作的？本教程将用最清晰易懂的方式为你逐一解析。

什么是 Embedding？

简而言之，Embedding 就是一个多维向量数组，由一系列数字构成。这些数字能够代表任何事物——文本、音乐、视频等。在本教程中，我们主要聚焦于文本场景。

创建 Embedding 的过程非常直接：你只需将文本发送给一个 Embedding 模型（例如 OpenAI 的 Ada），模型就会为你生成该数据的向量表示。这个结果可以被存储起来，供后续检索与分析使用。

Embedding 的直观理解

想象一下，你有一大箱玩具。现在你想找出一些相似的玩具，比如玩具汽车和玩具巴士——它们都是交通工具，因此“相似”。这就是所谓的 语义相似性：事物在含义或概念上具有某种相近关系。

再进一步：玩具汽车和玩具公路并不完全相同，但因为汽车通常在公路上行驶，所以它们是 相互关联 的。Embedding 就能捕捉这种关联关系。

在上图中，你可以看到“男人”、“国王”、“女人”、“王后”这些词在向量空间中的关系——通过 Embedding，机器能够理解它们之间的语义距离（例如“国王” - “男人” ≈ “王后” - “女人”）。