第3章：嵌入模型与向量数据库——RAG的存储与检索核心

本章你将收获：主流嵌入模型（BGE、OpenAI、M3E、Jina）的深度对比与选型指南；向量数据库（Chroma、Qdrant、Milvus、Pinecone）的架构与适用场景；混合检索（BM25 + 向量）的实现方法；重排序（Reranker）如何提升Top-5准确率；以及为100万文档构建高效检索系统的完整实战。

📌 本章导读

文档加载和分块只是RAG的第一步。真正的核心在于：如何将文本块转化为可计算的向量，以及如何在海量向量中快速找到最相关的内容。嵌入模型（Embedding Model）和向量数据库（Vector Database）就是RAG的“搜索引擎”。
本章将深入讲解嵌入模型的原理与选型，对比主流向量数据库的性能与特性，并带你实现混合检索+重排序的高级检索策略。学完本章，你将能够为百万级文档构建毫秒级响应的检索系统。

3.1 嵌入模型（Embedding Model）深度解析

3.1.1 什么是嵌入向量？

嵌入模型将文本转换为固定维度的浮点数向量（如768维、1536维）。两个向量的相似度（余弦相似度、点积）反映了原文的语义相似度。

数学原理：

similarity(A, B) = cos(θ) = (A·B) / (||A||·||B||)

值越接近1，语义越相似。