---
title: "什么是 Embedding（嵌入向量）？用于搜索和 RAG 的文本向量 | BroadRouter"
description: "嵌入向量把文本变成一串数字，让意思相近的内容在向量空间里彼此靠近。它如何生成、如何比较，以及在 RAG 中处于哪个环节。"
url: https://broadrouter.com/zh/glossary/embeddings/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/glossary/embeddings/)（2026-11-14 更新）。

# 嵌入向量（embeddings）

更新于 2026-11-14

嵌入向量（embeddings）是模型为一段文本、一张图片或其他输入生成的浮点数列表（向量）。意思相近的输入会得到彼此接近的向量，因此可以用向量之间的距离来给搜索结果排序、对文档聚类或查找相关条目。

又称： 嵌入、向量嵌入、文本嵌入、Embedding、嵌入模型、文本向量、embeddings、text embeddings、vector embeddings、embedding vectors、embedding model、sentence embeddings

嵌入向量是计算机衡量”意思”的方式：两段意思相近的文本，会得到两个指向相近方向的向量。

## 工作原理

你把文本发给嵌入模型，得到一个固定长度的向量。OpenAI 的指南说得很直白：“An embedding is a vector (list) of floating point numbers.”（译文：嵌入是一个由浮点数组成的向量（列表）。）长度由模型决定。OpenAI 的 text-embedding-3-small 默认返回 1,536 个数，text-embedding-3-large 返回 3,072 个。

要比较两段文本，就比较它们的向量。OpenAI 推荐使用余弦相似度。它的向量已归一化为长度 1，所以直接做点积得到的排序是一样的。把一个查询向量与数百万个已存储的向量比较，就是语义搜索的核心。要在大规模下快速完成这件事，就需要[向量数据库](https://broadrouter.com/zh/glossary/vector-database/)。

嵌入模型和对话模型是两类不同的模型。它读取整段输入并返回数字，不生成文本。它按输入 [token](https://broadrouter.com/zh/glossary/token/) 计费，没有需要付费的输出文本。

## 为什么重要

-   **检索。** 嵌入向量通常是[检索增强生成](https://broadrouter.com/zh/glossary/rag/)的第一步：文档嵌入一次，每个问题再嵌入一次，取出最接近的文本块交给对话模型。
-   **选哪个模型会影响结果。** MTEB 基准在 8 类任务、58 个数据集和 112 种语言上测试了 33 个模型，发现 “no particular text embedding method dominates across all tasks.”（译文：没有哪一种文本嵌入方法能在所有任务上占优。）请用你自己的查询来测试，尤其是阿拉伯语或多语言混合的文本。
-   **锁定。** 不同模型生成的向量无法互相比较。更换嵌入模型就意味着把整个语料重新嵌入一遍。

## 在 BroadNet Inference 上

BroadNet 的文档列出了 `/v1/chat/completions`、`/v1/audio/transcriptions` 和 `GET /v1/models`（模型列表），没有嵌入向量端点。要搭建搜索或 RAG 系统，请把单独的嵌入模型（托管 API 或你自己运行的开源模型）与负责回答的 BroadNet 对话模型搭配使用。[阿拉伯语 RAG 指南](https://broadrouter.com/zh/blog/arabic-rag-search/)展示了用多语言嵌入模型实现的这种分工。

如果文档装得下，长上下文窗口有时可以完全省去检索。其中的取舍见[长上下文与 RAG 对比](https://broadrouter.com/zh/blog/long-context-vs-rag/)。

## 常见错误

-   在同一个索引里混用两个嵌入模型的向量。
-   嵌入整篇文档而不是文本块。50 页内容只用一个向量，会把其中每个主题都模糊掉。
-   只规范化文档而不规范化查询，或者反过来。两者要使用相同的文本清洗方式。

## 常见问题

### 嵌入向量和 token 是一回事吗？

不是。token 是模型读取的一小段文本。嵌入向量是嵌入模型为一整段输入（例如一句话或一个段落）输出的向量。

### 嵌入向量有多少维？

取决于模型。OpenAI 的 text-embedding-3-small 默认返回 1,536 个数，text-embedding-3-large 返回 3,072 个，两者都可以通过 dimensions 参数缩短。

### BroadNet Inference 有嵌入向量端点吗？

没有。BroadNet 的文档只列出了 /v1/chat/completions 和 /v1/audio/transcriptions。检索请用单独的嵌入模型，生成这一步再用 BroadNet。

## 另请参阅

-   [RAG（检索增强生成）](https://broadrouter.com/zh/glossary/rag/)（术语）
-   [向量数据库（vector database）](https://broadrouter.com/zh/glossary/vector-database/)（术语）
-   [Token（词元）](https://broadrouter.com/zh/glossary/token/)（术语）
-   [上下文窗口（context window）](https://broadrouter.com/zh/glossary/context-window/)（术语）
-   [OpenAI 兼容 API（OpenAI-compatible API）](https://broadrouter.com/zh/glossary/openai-compatible-api/)（术语）
-   [混合检索（hybrid search）](https://broadrouter.com/zh/glossary/hybrid-search/)（术语）
-   [重排序（reranking）](https://broadrouter.com/zh/glossary/reranking/)（术语）
-   [用 OpenAI Python SDK 调用 BroadNet Inference](https://broadrouter.com/zh/guides/openai-python-sdk/)（指南）
-   [阿拉伯语 RAG：真正有效的规范化、分块与检索](https://broadrouter.com/zh/blog/arabic-rag-search/)（文章）
-   [长上下文还是 RAG：百万 token 什么时候能取代向量数据库](https://broadrouter.com/zh/blog/long-context-vs-rag/)（文章）

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-embeddings&utm_content=page-cta) ·

**来源**

-   [OpenAI：向量嵌入指南（维度、余弦相似度、按输入 token 计价）](https://developers.openai.com/api/docs/guides/embeddings)
-   [Muennighoff 等：MTEB: Massive Text Embedding Benchmark（arXiv）](https://arxiv.org/abs/2210.07316)
-   [BroadNet Inference API 参考文档：模型 ID 与端点（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-embeddings&utm_content=sources#models)
