嵌入向量與向量資料庫（Embedding & Vector Database）是什麼？

嵌入向量是把文字、圖片等內容轉成一串浮點數，使意思相近的內容在數學空間中距離也相近。2013 年 Mikolov 等人提出的 Word2Vec 讓這種做法普及。向量資料庫則用來快速搜尋大量向量，是 RAG 常用的元件。

模型技術EmbeddingEmbeddings嵌入向量嵌入向量資料庫Vector Database

一句話說明

把文字等內容轉成一串數字（向量），讓電腦能計算「意思有多接近」；向量資料庫則專門儲存與搜尋這些向量。

嵌入向量與向量資料庫怎麼運作？

1. 用嵌入模型把每段文字轉成固定長度的數字向量。
2. 把向量連同原文存進向量資料庫。
3. 查詢時，把問題也轉成向量。
4. 計算距離，找出最接近（意思最相關）的內容回傳。

實際例子

• 搜尋「怎麼退貨」，也能找到寫著「退換貨流程」的文件。
• 依文章內容相似度推薦相關文章。
• 把客訴自動分群，找出常見問題類型。

常見誤解

常見問題

嵌入向量可以用在哪些地方？

OpenAI 文件列出的常見用途包括：語意搜尋、分群、推薦、異常偵測、多樣性分析與分類。在 AI 應用中最常見的是搭配 RAG，替模型找出相關資料。

向量之間的「距離」代表什麼意思？

距離代表兩段內容的相關程度：距離越小，意思越接近；距離越大，關聯越低。常用的計算方式有餘弦相似度等。

相關名詞

檢索增強生成、大型語言模型、詞元

參考來源

• OpenAI API 文件：Vector embeddings
• Mikolov et al., Efficient Estimation of Word Representations in Vector Space（arXiv 1301.3781）

查核日期：2026-09-26。API：/api/term?id=embedding