简介

Embedding是将文本转换为语义向量的技术，分为Token级和句子/文档级两种生成方式。其本质是将语义压缩为数字向量，向量距离反映文本间的语义关系。广泛应用于RAG检索、相似性判断和文本聚类等领域。文章还提供了系统学习大模型AI的路径，从初阶应用到模型训练再到商业部署，帮助读者掌握大模型技术，提升职业竞争力。

---

一、什么是Embedding？

Embedding(嵌入)是指把文本(也可能包括图像、视频等其他模态数据)转成能表达语义信息的浮点数向量，向量之间的数学距离可以反映对应文本之间的语义相关性。

二、从文本到Embedding的流程

Embedding的生成方式，主要分两种情况：

1）大模型推理中的Embedding(Token级)

文本先通过分词器拆分成最小语言单位token，例如:"unbelievable"→[“un”,“believ”,“able”]

接着查询词表，将每个token被映射成一个数字编号，比如:"un"→1087。

根据编号查询Embedding矩阵，快速取出对应的浮点数向量，例如:"un"→[0.24,-0.31,0.88,…, 0.05]。

生成Token级的Embedding，是大模型理解输入文本的第一步。

2）独立使用的Embedding(句子/文档级)

如果需要表示一整句或一段文本(比如在RAG中检索)，就不能只查表了。

常见做法是：将文本输入到一个专门训练好的Embedding模型(如 Sentence-BERT、M3E)，通过推理生成一个完整的句子或文档级向量。

这种Embedding包含了更丰富的上下文信息，适合检索、相似性判断等场景。

三、Embedding的本质：语义可被数字表示

在模型训练中，发现文本的语义可以被“压缩”成一组数字向量，且向量之间的距离和方向，能自然反映文本间的语义关系。

比如：

“猫”和“狗”对应向量的数学距离很近，代表它们语义接近(都是动物)

“房子”和“你好”对应向量的数学距离很远，表示它们语义无关

模型甚至可以学到：king-man+woman≈queen 这样的语义数学关系

这些规律并非人为设定，而是模型通过海量数据自动学习到的。

四、Embedding的应用场景

Embedding不仅用于大模型推理时将输入文本编码为语义向量，也广泛应用于实际场景，例如：

检索增强生成(RAG)：将文档或知识内容转化为向量存储，推理时通过向量检索相关片段，扩展模型上下文，提升回答准确性。

相似性判断：比较文本向量的距离或角度，判断语义一致性或检测重复内容。

文本聚类与分析：将文本编码为向量后进行聚类，挖掘内容结构和主题分布，如K-means聚类。

五、常见问题答疑

Q：Token 和 Embedding 是一回事吗？

A：不是。Token是编号(离散的ID)，Embedding是承载语义的连续向量，二者功能完全不同。

Q：Embedding 是模型训练出来的吗？

A：是的。Embedding 向量是模型通过海量语料学习到的语义表示，而不是手动设定或硬编码的。

Q：Embedding 向量长度固定吗?为什么？

A：在同一个模型中，所有Embedding向量的长度是固定的(例如:512维、768维)，这样可以统一模型内部的计算结构，方便批量处理和矩阵运算。不同模型之间的向量长度则可能不同。

六、如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓