---
title: "Semantic Search"
type: concept
last_updated: 2026-04-27
---

## Definition

基于 Embedding 向量模型将文本编码为高维向量，通过向量相似度（如余弦相似度）而非关键词匹配来检索相关内容的搜索方式。相比 BM25/BM25 等传统关键词检索，能捕捉语义层面的相关性，例如"我保存的关于 LLM memory 的内容？"能匹配到讨论 agent 记忆机制的文章，即使两者用词不同。

## How It Works

```
用户查询 → Embedding 模型编码 → 高维向量
文档库 → Embedding 模型编码 → 文档向量集合
↓
向量相似度计算（ANN 索引）→ Top-K 结果 → LLM 回答
```

## Components

| 组件 | 说明 |
|------|------|
| Embedding 模型 | text-embedding-3-small、BGE、Sentence-BERT 等 |
| ANN 索引 | FAISS / HNSW / ScaNN，实现十亿级向量近实时检索 |
| 相似度度量 | 余弦相似度 / 点积 / 欧氏距离 |

## Why It Matters in RAG

关键词搜索依赖字面匹配，容易漏掉同义词/多义词场景。语义搜索理解查询意图，使 [[Knowledge-Base-RAG]] 返回真正相关结果而非机械的字面匹配。

## Sources
- [[knowledge-base-rag]]

## Connections

- [[Knowledge-Base-RAG]] — 语义搜索是知识库 RAG 的检索层
- [[Vector-Embedding]] — 语义搜索的底层编码技术
- [[Hybrid Search]] — 向量检索 + BM25 关键词检索融合，进一步提升召回率