Embedding、向量检索与 Rerank 各做什么？

返回 RAG 与记忆 目录

标准回答

Embedding 把文本转换成数值向量，便于比较语义相似度；向量检索快速找候选；Rerank 重新评估问题与候选的相关性，把更合适的材料排在前面。

关键机制

• 向量维度与模型有关；相似度是相关性线索，不代表逻辑蕴含或事实正确。关键词、编号仍常需要词法检索补充。
• 分块保留标题、章节和来源，避免切断条件与结论；过大稀释语义，过小丢上下文。大小需要用真实问题验证。
• 检索阶段按用户、设备型号、版本和时间过滤；随后去重、重排，并控制总上下文预算。

通俗例子

“无法配网”与“路由连接失败”语义接近，可通过向量找到；但“E17”与“E71”差一个字符含义可能完全不同，需要精确匹配和元数据约束。

易混淆点

Embedding 不是把一句话加密或压缩后随时原样解码；Rerank 也不是再让模型把答案润色一次。

参考资料

• 官方参考

内容来源

• Android 技术札记 · 原条目 embedding