Embedding（嵌入）API 将文本、图像等内容映射为高维向量。语义相近的内容，在向量空间中距离更近。有了向量，就可以做语义检索、相似推荐、聚类与去重，并作为 RAG（检索增强生成）的底座：先找回相关片段，再交给大模型生成回答。
典型用途
- 语义检索：用问题找文档，而不是只靠关键词命中
- 去重与聚类：发现近似内容或主题分组
- RAG：把私有知识库接到对话系统，减少幻觉
实践要点
切分文档时注意长度与重叠；同一项目尽量统一嵌入模型，避免向量空间不一致；存储侧可用向量数据库或支持向量检索的引擎。评估时用真实查询集看召回与排序，而不只看演示句子。对多语言场景，确认模型对中文与领域术语的表现。
和本站的关系
选择 Embedding API 时，关注维度、价格、吞吐与是否支持批量。本站会整理常见 AI 接口入口，帮助对比能力；具体模型名称、限制与计费以官方为准。搭好检索链路后，再决定是否叠加重排序或混合检索（关键词 + 向量）。
评估召回质量
准备真实查询与标注相关文档，计算召回与排序指标。坏案例往往来自切分过碎、元数据缺失或查询改写不足。先修好检索，再谈生成，通常比一味换更大模型更划算，也更容易解释效果变化。