AI大模型企业应用实战(20)-RAG相似性检索的关键 - Embedding

1 文本Embedding

将整个文本转化为实数向量的技术。

Embedding优点是可将离散的词语或句子转化为连续的向量，就可用数学方法来处理词语或句子，捕捉到文本的语义信息，文本和文本的关系信息。

◉ 优质的Embedding通常会让语义相似的文本在空间中彼此接近：

◉ 优质的Embedding相似的语义关系可以通过向量的算术运算来表示：

2 文本Embedding模型的演进与选型

目前的向量模型从单纯的基于 NLI 数据集（对称数据集）发展到基于混合数据（对称+非对称）进行训练，即可以做 QQ召回任务也能够做 QD 召回任务，通过添加 Instruction 来区分这两类任务，只有在进行 QD 召回的时候，需要对用户 query 添加上 Instruction 前缀。

3 VDB通用Embedding模型

模型选择：

GPU资源：

4 VDB垂类Embedding模型

用户提供垂类文档数据，VDB对模型进行微调，助力垂类应用效果更进一步。

优化1

对比学习拉近同义文本的距离，推远不同文本的距离

优化2

短文本匹配和长文本匹配使用不同prompt，提升非对称类文本效果

优化3

预训练阶段提升基座模型面向检索的能力，对比学习阶段提高负样本数

5 存储、检索向量数据

5.1 为啥需要一个专用的向量数据库

1. 查询方式与传统数据库存在区别
2. 简单易用，无需关心细节
3. 为相似性检索设计，天生性能优势

5.2 腾讯云向量数据库的优势

“首家”：

• 通过信通院的标准化性能和规模测试
• 支持千亿级向量规模和最高500W QPS

自研：

• 内核源自集团自研OLAMA引擎
• 内部已有**40+**业务接入

性价比：

• 性能领先业内平均水平1.5倍
• 同时客户成本降低20%

6 VDB优势

流程简化

模型简化：

共享GPU集群：

7 商用向量数据库

消除大模型幻觉，加速大模型在企业落地，如腾讯云：

7.1 端到端AI套件，AGI时代的知识库解决方案

提供一站式知识检索方案，实现业界内最高召回率、大幅降低开发门槛，帮助企业快速搭建RAG应用，解决大模型幻觉问题。

7.2 源自集团多年积累，产品能力行业领先

源自腾讯自研向量检索引擎OLAMA，集团内部40+业务线上使用，日均处理1600亿次检索请求。

• 『首家』通过中国信通院向量数据库标准测试
• 单索引支持最高千亿级超大数据规模
• 单实例最高可达500万 QPS

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。

各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。

负责：

• 中央/分销预订系统性能优化
• 活动&券等营销中台建设
• 交易平台及数据中台等架构和开发设计
• 车联网核心平台-物联网连接平台、大数据平台架构设计及优化
• LLM应用开发

目前主攻降低软件复杂性设计、构建高可用系统方向。

参考：

• 编程严选网