《AI 知识卡片》第 09 期 · 把文字变成坐标，意思近的就挨在一起
比如你家有一本秘制私房菜谱，做成 AI 能查的知识库——这些菜只有你家会做，AI 训练时压根没见过。
你输入“番茄炒蛋要放糖吗”，它却能找出了菜谱里《西红柿炒鸡蛋》那一页。
注意，“番茄”和“西红柿”这两个词，一个字都不挨着。换成关键词搜索，这就是零结果，但 RAG 的检索找到了。这一期讲清它凭什么能“按意思”找，以及它凭什么知道这俩是一回事。
关键词匹配检索的弊端
RAG 第一步就是“检索”：拿问题去资料库找相关片段，那怎么算“相关”？——老办法是关键词匹配：你搜的词和文档里的词对上了就算命中，但有个死穴，换个说法就抓瞎了：
- “番茄”对不上“西红柿”，“土豆”对不上“马铃薯”。同一样东西，两个完全不重合的词条；
- “怎么做”对不上“制作方法”。一个意思，词不同也没戏；
这种关键词匹配的问题我们叫做词汇鸿沟：字面不重合，机器就默认你俩没关系。
把每段文字变成一串“坐标”
RAG 换了思路：别对字了，对“意思”。做法是，把菜谱里每一段文字都变成一串数字，相当于给它在一张巨大的语义坐标图上标一个坐标。这个动作正式叫 Embedding（中文译作“嵌入”），得到的那串数字叫向量。
一段文字有多少个数字？这取决于模型的规格——常用的中文 Embedding 模型bge-small-zh是 512 个。关键在于它是定长的：不管你喂进去 5 个字还是 500 个字，出来永远是这 512 个数。比如：
[0.0135, -0.0587, 0.0232, 0.0376, -0.0008, ... ] 共 512 个
两个反直觉的点：
- 单个数字没有含义。文字意思是被这 512 个数字整体表达的，单看一维毫无意义。
- 文字不是“查表”查出来的，是“算”出来的。每段文字都要真的跑一遍 Embedding 模型（这里的“模型”不等同于LLM，完全是两个东西，职责也不一样）才得到坐标。
这张坐标图最妙的规矩是：意思越近的文字，坐标离得越近。
它凭什么知道“番茄＝西红柿”？
没人告诉过它，它也没查任何同义词词典。这张坐标图是它自己“学”出来的。它学到的不是“字面像”，而是“用法像、语境像”。
Embedding 模型在训练时读过海量文本。它会发现：“番茄炒蛋”和“西红柿炒鸡蛋”这两个说法，出现的语境几乎一模一样。既然它们总在同样的场合、被同样的词围绕，模型就把它们的坐标拽到了一起。
训练时的核心手段叫对比学习，说白了就一句：把相关的拉近，把不相关的推远。
- 喂进“一个问题 + 它的正确答案”这种成对的相关文本 → 拉近；
- 再随便配一段无关文本 → 推远；
- 千万次这样拉拉推推之后，一张“意思近就挨着”的坐标图就成型了；
本地实测结果对比
我在本地拿 bge-small-zh 跑了一组，比较不同提问和它的余弦相似度（0~1，越大越近）：
第二行是重点：“番茄”和“西红柿”一个字都不挨着，相似度却有 0.61，远远高于“红烧肉”的 0.43。在语义坐标图上，它俩确实是邻居。
语义检索的短板
语义检索的本事是“找意思差不多的”——这既是它的强项，也正是它的短板：它只会“差不多”，不擅长“一模一样”。
- 该精确的时候它不精确。你搜一个准确的产品型号、一个函数名，要的是一字不差那一条，它可能把几个“长得很像”的一起端上来。
- 谁排第一它常拿不准。相关的内容它能一并捞进来，但真正最贴题的那条，未必就在第一位。
所以实际工程里很少让它一条腿走路：一般再搭一条关键词检索兜住精确匹配，捞回来之后还会再重排一遍，把最贴题的顶到前面。后续有机会可以深入聊聊。
一句话总结
关键词搜索对比的是“字”，语义检索对比的是“意思”。RAG 把每段文字变成语义坐标图，而这张图不是谁编的词典，是模型从海量文本里把相关的拉近、不相关的推远，一点点学出来的。
