37 lines
1.4 KiB
Markdown
37 lines
1.4 KiB
Markdown
---
|
||
title: "Semantic Search"
|
||
type: concept
|
||
last_updated: 2026-04-22
|
||
---
|
||
|
||
## 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。
|
||
|
||
## 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
|