嵌入向量
Embedding
高级通用嵌入向量（Embedding）是模型把文本、图片等内容转换成的一组数字，用来表示它们在某种任务中的相似关系。它能帮你按含义查找内容，比如用户没写出文档原词，也能找到相关帮助文章。
你可能会说：「我想让用户换种说法提问时，也能搜到意思相近的帮助文档。」
动手看看帮助中心的语义搜索
帮助中心
怎么让同事一起改文件
语义搜索 · 找到相关帮助
邀请成员协作编辑设置共享权限，让团队成员实时修改同一份内容。
管理团队的编辑权限指定哪些成员可以查看、评论或编辑。
向量位置相近（示意）搜索词 [0.82, −0.14, …] · 首篇文章 [0.80, −0.11, …]
搜索词
搜索方式
切换搜索词和搜索方式，再悬停结果看看。重点比较：文章没写出搜索词里的原话时，还能不能排到前面。
语义搜索把搜索词和文章转换成嵌入向量，按任务中的相似关系找文章。这里的数字只是示意，不是实际模型输出。
要点嵌入向量怎样帮你找到相关内容？
- 1
模型把内容变成数字坐标
你把一段文档交给嵌入模型，它会返回一组数字，也就是向量。查询时，我们用同一个模型把用户的问题也转成向量，才方便把两者放在一起比较。
- 2
距离近不等于答案正确
向量检索会按相似度找候选内容，所以用户没用文档里的原词，也可能搜到相关段落。但相似度只表示模型认为它们相关，不保证段落能回答问题，更不保证内容真实。
- 3
切分和更新影响检索结果
做文档搜索时，我们通常先把长文切成片段，再为每段生成向量。片段太大，结果可能不够聚焦；文档改了却没更新向量，搜索也可能继续找到旧内容。
容易混淆的地方
嵌入向量不是把原文压缩成一串可还原的数字：你仍要保存原文，检索后才能展示或引用。它也不同于关键词搜索：关键词搜索看字词是否匹配，向量检索侧重模型判断的相似性。如果用户要找精确编号，关键词或数据库查询通常更直接。
什么时候用
适合用
- 给帮助中心做语义搜索，让用户用自己的说法提问时，也能找到相关文档片段。
- 给 AI 问答工具检索产品资料，先找出相关段落，再交给模型组织回答。
- 在大量用户反馈中查找表述不同、但讨论同一类问题的留言。
不适合用
- 后台按订单号查一笔订单时，用数据库的精确查询更合适，没必要生成嵌入向量。
- 用户只想筛选某个日期范围内的工单时，用字段筛选即可，向量相似度帮不上忙。
- 页面只有少量固定导航项时，直接用链接和明确的分类，比引入向量检索简单。
练一练选一个答案，看看解释
你在做产品帮助中心。用户输入“钱怎么还没退回来”，文档标题却是“退款到账时间”。你想让搜索找到这篇文档，同时保留按订单号精确查询的能力。哪种做法更合适？
让 AI 帮你做复制给 AI Agent 直接用
请给帮助中心增加语义搜索：将文档切成可展示的片段，用同一个嵌入模型为片段和查询生成向量，按相似度召回并返回原文及来源。保留现有的订单号精确查询；文档更新时同步更新对应向量。