向量搜尋與嵌入檢索（vector search and embeddings retrieval）
/ VEK-tor surch and em-BED-ings ree-TREE-vul /
嵌入檢索，是電腦「按意思、而非按字面」搜尋的辦法。核心思想是「嵌入」：模型把每一段文字變成一長串數字——一個向量——其擺放方式使得意思相近的東西，在那個數字空間裡也彼此靠近。「汽車」和「轎車」會落在相鄰處，哪怕它們一個字都不重疊；「河的岸邊」和「河濱」會聚到一塊，遠離「儲蓄銀行」。於是搜尋變成了幾何：找出離查詢向量最近的那些已存向量。
想像一座浩大的圖書館，藏書不按字母、而按主題上架，於是凡與火山有關的，無論書脊上寫著什麼字，都坐落在同一個角落。要回答「岩漿為什麼會噴發？」，你走到那個角落，抓起最近的幾本書——哪怕有的從沒用過「噴發」二字。這就是向量搜尋所做的：你把問題嵌入成向量，向量資料庫便飛快找出嵌入坐落得最近的那些段落，按「意思」返回匹配。這通常正是RAG中「檢索」那一半的引擎。
兩點要誠實說明。嵌入空間裡的「靠近」近似於「意思相近」，卻只是近似——兩段文字可能因某些表面緣由而坐得很近，從而把搜尋帶偏。而嵌入會忠實地編碼模型所學到的一切，連同它的偏見與盲點，於是它判定兩樣東西「相似」的方式，可能反映的是它的訓練、而非你的本意。向量搜尋強大而迅捷，但它對「相關」的認定，是一個學來的猜測，而非一份保證。
使用者輸入「怎樣讓我的筆電安靜些？」按關鍵詞「安靜」去搜，會漏掉那篇標題叫《降低風扇噪音》的說明文章。可在嵌入空間裡，二者坐得很近——它們說的是同一個意思——於是即便一個字都不重疊，向量搜尋照樣把對的文章撈了出來。
按意思匹配，而非靠共享的關鍵詞。
嵌入把「意思」編碼成「模型所學到的樣子」——因此它帶著那個模型的偏見。兩份履歷、兩種方言，被判定為「相似」或「相異」的方式，可能悄悄反映的是訓練資料，而非任何客觀真理。有用，卻並不中立。