Embedding 常见问题
基础问题
Q1: Embedding 和词向量（Word2Vec）有什么区别？
A: 词向量针对词级别；Embedding 通常指句/段级别的语义向量，适合检索、聚类等。现代 Embedding 多为 Transformer 模型，上下文感知更强。
Q2: 维度越高越好吗？
A: 不一定。维度高表达力强，但计算与存储成本增加。768–1024 在多数场景已够用，可根据评估结果选择。
Q3: 必须归一化吗？
A: 若用余弦相似度，理论上应归一化；很多实现内部已处理。点积在归一化后与余弦等价，可简化计算。
使用问题
Q4: BGE 为什么要在查询前加指令？
A: BGE 训练时对查询和文档做了不对称处理，查询加指令可提升检索效果。详见官方说明。
Q5: 索引和查询能用不同模型吗？
A: 不推荐。不同模型向量空间不同，相似度失去意义。迁移模型时需重建索引。
Q6: 如何评估 Embedding 质量？
A: 用 MTEB 做通用评测；用业务数据做检索准确率、召回率、RAG 端到端效果评估。
技术问题
Q7: 批量处理时 OOM 怎么办？
A: 减小 batch_size、使用梯度累积、或分批写入向量库。
Q8: 与向量数据库的维度不匹配怎么办？
A: 重建索引时使用与当前 Embedding 模型一致的维度；或换用支持多维度的库与模型。
最后更新: 2025 年 3 月