用 embedding 模型做语义检索

如果想获取全套课程资料，请关注微信公众号 「AI面包君」，回复 「课程资料」 即可领取。

1. 换一种说法，还能找到原文吗？

ch01 的词袋（BoW）检索能用，但它只看字面：

用户的说法	文档的说法	字面检索要面对的差异
公司在哪儿？	总部位于上海	用词不同
vegan 选项	植物基	语言不同
小麦粉从哪里来？	原料采购	问法与栏目名不同
想退货可以吗？	退换货政策	有共同字，但还要看排序和具体条款

用户未必知道文档中的准确用词。如果只能靠重复的字词，相关资料就可能排不到前面。

本章用 embedding 模型把文本转换成一组数字，尝试把相关的不同说法表示得更接近。示例 bge-m3 返回 1024 维向量，具体效果仍要通过检索结果检查。

流程仍然是先表示文本、再计算相似度、最后取片段。主要变化是：词频 Counter 换成了模型返回的向量。对照 ch01 阅读，会更容易找到这部分改动。

<!-- bread-visual:start -->

图解： 把“数词频”替换为模型生成的语义向量。 检索仍然是向量相似度排序；图是概念示意，不代表实测坐标或分数。

<!-- bread-visual:end -->

---

2. 跑起来

cd ch02_embeddings
python main.py

本章需要 embedding key。如果你跟着课程在 .env 里配了 EMBEDDING_* 三行，开箱即用。 没配的话看仓库顶层 README 的 ".env 配置"小节。

预期输出（关键对比 ch01）：

=== 问题 1: 公司在哪儿？ ===
[检索] top-3 片段:
  - 第1块 (cos=0.513) ## 一、关于公司       ← BoW 这里基本是 0
  - 第7块 (cos=0.420) ## 七、招聘
  - 第5块 (cos=0.402) ## 五、加盟政策
AI: 总部位于上海。

=== 问题 2: 你们卖的 vegan 选项有哪些？ ===
[检索] top-3 片段:
  - 第6块 (cos=0.599) ## 六、研发动态         ← "vegan" ≈ "植物基" 命中了
  - 第2块 (cos=0.581) ## 二、产品线
  - 第8块 (cos=0.541) ## 八、客户常见问题
AI: 目前有植物基羊角面包，正在研发中，预计 7 月推出。

=== 问题 3: 小麦粉是从哪里来的？ ===
[检索] top-3 片段:
  - 第3块 (cos=0.645) ## 三、原料采购         ← "从哪里来" ≈ "采购"
  ...