RAG 效果不好？检索召回率低？大概率是 Embedding 模型没选对或没调好。Embedding 是 RAG 的地基，地基不稳，后面再怎么调 Prompt 都是白费。

一、Embedding 基础

1.1 什么是 Embedding

文本 → Embedding 模型 → 向量（如 768 维浮点数组）

"今天天气很好" → [0.12, -0.34, 0.56, ..., 0.78]  (768 维)
"今天气候不错" → [0.11, -0.32, 0.55, ..., 0.77]  (相似度高)
"我想吃火锅"   → [0.89, 0.12, -0.67, ..., 0.03]  (相似度低)

相似度计算：
  余弦相似度：cos(A, B) = (A·B) / (|A| × |B|)
  点积：dot(A, B) = Σ(ai × bi)
  欧氏距离：d(A, B) = √Σ(ai - bi)²

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

面试官常见问法： "为什么不让 LLM 直接回答，非要用 RAG？"或者"LLM 的知识截止问题你怎么解决？"

LLM 的三大知识缺陷

① 知识截止——训练数据有截止日期，昨天发生的事它不知道。你问它"2026年3月发布的 XX 框架有什么特性"，它要么瞎编要么说不知道。