K1 · 小结与自测

一图回顾

一句话收束：语义检索把「按意思找」变成了「找最近的向量」。嵌入模型负责把查询和资料都变成向量（意思相近→坐标相近），向量数据库负责在海量向量里用近似最近邻秒级找出最近的几个。前者决定「找得准不准」，后者决定「找得快不快」。

要点回顾

小节	两行版
K1.1 从对字到对意思	关键词检索两死穴（同义不同字、一词多义）；语义检索把意思变坐标，用余弦相似度找最近的点；但精确匹配是关键词的主场
K1.2 向量数据库	库大到几百万段时线性扫描太慢；向量库靠近似最近邻（ANN）用一点点精度换巨大速度；库快≠结果准

综合自测

📝 动手自测0/6

1. 关键词检索（BM25）拿来做 RAG，两个死穴是什么？

2. 语义检索为什么能命中「字面完全不同、意思却一样」的资料？

3. 为什么语义检索普遍采用「双编码器」（查询和文档各自独立编码）架构？

4. 「近似最近邻（ANN）」相比「线性扫描」，本质上做了什么取舍？

5. 余弦相似度衡量的是什么？为什么用它而不用直线距离？

6. 「我们上了最快的向量数据库，RAG 检索质量应该就没问题了」——这话错在哪？

下一章 K2 · 切块的艺术：语义检索找的是「段」，而一份 50 页的手册怎么切成可检索的段——切错了，再好的检索也白搭。