AI Agent 系列文章15, 后续会更新 RAG、MCP、向量数据库等内容，最后全栈开发一个 Agent 智能体并部署上线。

本篇介绍内容：

1）RAG 简单介绍

2）介绍下向量（Vector）

3）向量化模型（Embedding Model）

4）文本向量化（text embedding）编码

1. RAG 简单介绍

rag， Retrieval-Augmented Generation 检索增强生成，是辅助AI生成专业领域答案的有效方案。

核心步骤：

1. 将文本向量化并存储到向量数据库；

2. 用户提问时，检索数据库；

3. 把检索结果发送给LLM配合生成最终结果；

最经典的落地场景就是 智能客服

llm虽然有大量的数据，但是一些企业内部的知识库，它是不知道的，比如一家指定的网店有什么款式的衣服，有什么促销活动等等。

疑问：可以把这些信息作为预置的 prompt 交给 llm ？

这是不现实的，大量的知识库，可能会突破 llm 的输入 token 的长度， 即使没突破，也会消耗大量的token，这是不现实的，token 也得花钱。

这时，就得用上 RAG 了，它的作用就来了。

拆分知识库 —> 文本向量化 —> 存入向量数据库

PS： Langchain 的官方文档：

https://docs.langchain.com/langsmith/evaluation-approaches

2. 什么是向量

向量可以用坐标表示，常见的有二维坐标，三维坐标，这个都知道。

简单回顾下数学概念

欧式距离公式：

这其实也是勾股定理 的直接应用。

三维空间 --》 多维空间，也是同样的道理：

能计算两点之间的距离，那能否计算 两段文字 甚至 两张图片 的距离呢？

这听起来有点抽象，这其实就是 多维向量 之间的距离。

传统的搜索引擎 和 rag的区别：

传统的 ElasticSearch (搜索引擎) ，比如搜索“课程”，只能匹配到一样的关键字才能搜索出来，

而rag，可以理解语义，搜索语义相近的关键词，例如搜索“课程”，也可以匹配到“教学”这个关键词相关的资料，因为两个关键词语义相近；

简单来说，Elasticsearch是“引擎”，负责高效查找信息；RAG是“智能汽车”，利用引擎提供的燃料（信息），将用户送达目的地（获得答案）。

它们不是二选一的关系，而是底层基础设施与上层智能应用的关系。一个优秀的RAG系统，往往离不开一个像ElasticSearch这样强大的搜索引擎作为其核心组件。

具体文本怎么向量化的底层原理，我想我也头大，反正简单理解就是 大规模语料库上训练 得到。

计算向量间的余弦相似度，可以找到语义相近的文档。

将每个词映射为一个低维、稠密的向量（例如128维或300维）。这些向量的神奇之处在于，语义相近的词（如“国王”和“王后”），其向量在空间中的距离或方向也会相近。

欧氏距离、余弦相似度。这个距离就是两段文字、两个图片的相似度。

简单原理了解到这，太抽象的数学原理就不深究了。

主要是体会 自然语言 —> 计算机的数学世界

3. 向量化模型（Embedding Model）

Langchain 文档地址：

https://docs.langchain.com/oss/javascript/integrations/text_embedding/index

官方提供的向量化模型，都是国外的。这些国内要么不能用，要么不好用

那咋办呢？

还好找到了 langchain 支持阿里的通义

https://docs.langchain.com/oss/javascript/integrations/text_embedding/alibaba_tongyi

还得去 阿里云百炼 平台申请个api key

https://bailian.console.aliyun.com/cn-beijing/?tab=model&spm=0.0.0.i5#/api-key

4. 文本向量化 - 编码

npm install @langchain/community @langchain/core

遇到 npm 底层依赖冲突，直接加 --force 安装。

import { AlibabaTongyiEmbeddings } from "@langchain/community/embeddings/alibaba_tongyi";
import 'dotenv/config';
const model = new AlibabaTongyiEmbeddings({
apiKey: process.env.ALIBABA_API_KEY,
});
const res = await model.embedQuery(
"疯狂动物城是一部怎样的电影？"
);
console.log('向量: ', res);
console.log('向量的维度为: ', res.length);
console.log('使用的模型: ', model.modelName);

执行结果：

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程

• ✅AI大模型学习路线图（0基础到项目实战仅需90天）

• ✅大模型书籍与技术文档PDF

• ✅各大厂大模型面试题目详解

• ✅640套AI大模型报告合集

• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉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】🆓