从 Embedding 到 Milvus
语义相似度、ANN 与向量数据库的职责边界
本页解决的问题
先给结论「从 Embedding 到 Milvus」要解决的关键问题是什么？
语义相似度、ANN 与向量数据库的职责边界
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
原始内容
“退款多久到账？”以及文档、图片等业务数据。
Embedding
同一个模型把内容编码成固定长度的浮点向量。
ANN 搜索
近似最近邻用少量精度换取数量级更高的速度。
业务结果
返回 Top-K 文档，再交给应用或大模型使用。
字面不同，意思相近
“如何退钱”和“退款流程”未必共享关键词，但在语义空间里距离很近。Embedding 捕捉的是统计语义，不是可靠的事实判断。
不能逐条硬算
一百万条向量逐一精确比较成本太高。ANN 索引先缩小候选集，再计算距离；因此需要用 Recall 与延迟共同评测。
| Metric | 怎样更相似 | 适用提示 |
|---|---|---|
| L2（欧氏距离） | 越小越近 | 关注绝对空间距离 |
| IP（内积） | 越大越近 | 向量模长会影响分数 |
| COSINE | 越大越近 | 关注方向；文本语义常用 |
存
同时保存向量、主键与来源、类别、时间等标量字段。
找
用向量索引完成 Top-K 搜索，并用标量 filter 缩小范围。
管
管理 collection、索引、加载与数据生命周期；它不替你生成 Embedding，也不替大模型回答。
「原始内容」为什么能找到相关内容
「“如何退钱”和“退款流程”未必共享关键词，但在语义空间里距离很近。Embedding 捕捉的是统计语义，不是可靠的事实判断」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「一百万条向量逐一精确比较成本太高。ANN 索引先缩小候选集，再计算距离；因此需要用 Recall 与延迟共同评测」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「管理 collection、索引、加载与数据生命周期；它不替你生成 Embedding，也不替大模型回答」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「原始内容」走到「Embedding」
「原始内容」先把问题落在「“退款多久到账？”以及文档、图片等业务数据。 2」上；到了「Embedding」，讨论继续推进到「同一个模型把内容编码成固定长度的浮点向量。 3」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「原始内容」：“退款多久到账？”以及文档、图片等业务数据。 2
- 「Embedding」：同一个模型把内容编码成固定长度的浮点向量。 3
- 「最后的要点」：管理 collection、索引、加载与数据生命周期；它不替你生成 Embedding，也不替大模型回答
最后的「最后的要点」把讨论落到「管理 collection、索引、加载与数据生命周期；它不替你生成 Embedding，也不替大模型回答」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。