把文本内容、图像、音频、视频等形式的信息映射为高维空间中的密集向量的过程就是“嵌入”。

向量是语义空间中的坐标，主要用于捕捉对象之间的语义关系和隐含的意义。

每个向量相当于文本的数字指纹，里面包含了文本的语义信息。

一般来说，语义相近的对象在向量空间中彼此接近，语义相异的对象则彼此远离。

在向量空间中进行数学计算可以判断两段话是否相关。

分块后的文本块需要先生成Embedding，存入到向量数据库中，在用户提问时，系统通过计算提问的Embedding 与文本块的Embeding之间的相似度，找到和用户的提问最相关的内容，再交给大模型生成回答。

那为什么需要Embedding呢？

主要是因为传统的检索比较依赖关键词匹配，难以应对同义词、上下文和多样化表达的问题。

Embedding是将文本映射到高维的向量空间，如果用户问“怎么泡咖啡”，经过Embedding之后可以将“咖啡的制作步骤”等语义相关的概念通过向量距离自动匹配。