第 08 课：Embedding，文字为什么能变成数字

“几点关门”和“闭馆时间”没有用同样的词，你却知道它们在问同一件事。让搜索也能找到这种联系，就是理解 Embedding 的一个好入口。

不用先算一串数字。我们先看看，为什么搜索需要把文字换一种方式表示。

给文字一个可以比较的位置

地图用坐标表示位置，让你能比较两个地点离得多近。Embedding 也把文字变成一串数字，这串数字叫向量，便于系统比较文本特征。地图是个类比；实际向量常有很多维，不能直接把某一维读成“借书程度”或“开馆程度”。

常见做法是先把资料片段转成向量保存，提问时再把问题转成兼容的向量，然后找相近的候选。兼容很重要：两个不相关模型输出的数字，不能随意放在同一个空间里比较。

这样，“书能留多久”可能找到写着“借期十四天”的 B，即使原文没有“留多久”。效果仍取决于模型、语言和任务，数字、否定词与近似的旧版本都可能让检索犯错。

问“归还日期能往后推几天”，B 的十四天与 C 的七天都谈时间。但 B 是首次借期，C 是续借延长。找到 B 看起来很相关，仍然不能拿十四天回答这次问题。

再看两句话：“本馆提供续借服务”和“符合条件可续借一次、延长七天”。它们主题很像，能回答次数和天数的却是后一句。检索要找的是有用证据，不能停在“都谈了续借”。

所以看到相似度分数时，别把它当成答案正确的百分比。它反映某种表示和计算方法下的接近程度。版本、条件和原文内容，还得另外核对。

把“几点关门”“晚上还能进去吗”“闭馆时间”写在一起，再给借期、续借各写一组不同问法，标上对应的 A、B、C。随后写一对主题接近却不能互换的资料，比如当前与历史借阅上限。

你是在人工模拟语义检索想做的事，并没有运行 Embedding 模型。先把“同一个意思”和“同一个答案”分清楚，再看数字就不容易被绕进去。

可以这样核对

普通开放时间找 A，首次借期找 B，续借找 C。B、E 都讲借阅数量，但问当前上限应依据 B，问历史变化则可能两份都要。意思接近不能消除版本差异。