Embedding（向量嵌入） 上下文与记忆

它是什么

Embedding（向量嵌入）是把文本映射成向量的函数：embed(text) -> number[]。核心性质是语义相近的文本，映射后的向量也相近——「用户不喜欢咖啡」和「用户对饮品有偏好」即便没有一个字相同，向量夹角也小。于是文本之间的「语义相似度」变成了向量之间的余弦相似度，召回从字面匹配升级成语义近似。

注入式设计

本章的关键自由度：embedding 的语义质量来自模型（生产环境调 embedding API，如 OpenAI 的 text-embedding-3-small），但它对外只有一个接口 embed(text) -> number[]。所以记忆库把 embedding 设计成注入式——谁调用记忆库，谁负责提供 embedding 函数：测试与判题注入确定性假 embedding（字符计数 + 哈希，离线可复现、无需 API key），生产注入真实 API 封装。机制（写 → 嵌入 → 比对 → 取回）与语义质量解耦，两件事分开学。

注意点

假 embedding 只保证「相同文本 → 相同向量」，不保证「同义词 → 相近向量」——它是用来练机制的，不是语义引擎；换真实模型后分数分布会变，阈值要重新调。另外维度一致性要盯死：写入 96 维、查询 128 维时点积会算出离谱甚至 NaN 的结果（详见第 11 章的坑二）。

在本教程的位置

embedding 是向量检索与 RAG 的公共底座：第 11 章手写假 embedding 与余弦相似度，把「写 → 嵌入 → 比对 → 取回」整条链打通。