# 向量模型如何选择：相似度需要回到业务问题

围绕领域词汇、语言、文档类型和实际检索效果评价 embedding 模型，明确向量索引更新要求。

要点：Embedding 模型把内容表示为向量，帮助检索相近信息。企业选型需要用真实查询检验相关资料是否被找到，特别关注型号、缩写、语言和领域术语。相似度分数不能直接当作答案正确率。

![将裁片轮廓与平板中的设计资料进行比较（AI概念配图）](/images/unique-scenes/tools-pattern.png)

## 文字相近，与业务适用可能不同

两份产品说明可能措辞很相似，却适用于不同型号；一个业务简称与正式名称文字差异很大，却指向同一对象。向量检索需要与对象标识、标签或关键词查询配合，才能更好地处理这些情况。

测试问题应来自实际工作，包含简称、错别字、跨语言表达和具体参数。只用文档标题作为查询，往往无法暴露真实检索困难。

## 先评价检索结果，再评价最终回答

可以为一组问题标注应该出现的资料，观察候选结果是否覆盖必要依据，以及相似但不适用的内容是否挤占位置。之后再检查模型回答，区分检索失败与生成失败。

评价需要保持文档处理、过滤和候选数量等条件可比。若同时更换分段方法与向量模型，就难以知道效果变化来自哪里。

| 样例类型 | 观察重点 |

| --- | --- |

| 行业术语 | 是否理解真实用法 |

| 型号与编码 | 是否保留精确对象 |

| 多语言查询 | 是否找到对应资料 |

| 近似但不适用 | 是否造成误检 |

## 更换向量模型可能意味着重建索引

不同模型产生的向量表示通常不能直接混在一起比较。调整模型或相关配置时，应检查索引兼容性，并按所用系统要求重新生成表示。维护过程需要保留版本和验证结果。

向量模型的价值最终体现在资料能否被合适地找到。企业不必追逐一个脱离业务语境的最高分，而应建立可以持续复测的检索样例。

## 用型号、简称和跨语言查询测试召回

为每题标出应出现的来源，让候选向量模型在相同分段与过滤条件下比较。更换模型后按其实际兼容条件重建或迁移索引并复测，相似度分数不直接当作答案正确率。

## 参考来源

- [Dify Docs｜索引与检索配置](https://docs.dify.ai/en/cloud/use-dify/knowledge/create-knowledge/setting-indexing-methods)：关键词、向量、混合检索及重排机制

- [Anthropic｜Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)：检索上下文与重排序方法；不引用实验数字作为企业效果承诺

## 向量检索回到实际问题

- 真实查询：术语、别名与对象

- 相关资料：覆盖必要依据并排除误检

- 版本维护：模型与索引保持对应

![向量检索回到实际问题](/images/guides/diagrams/embedding-models.svg)

## 继续阅读

- [知识库搜不准：关键词、向量检索和重排怎么配合？](/guides/rag-retrieval)

- [重排序如何改善 RAG：先找得到，再排得准](/guides/reranker-choice)

- [知识库分段怎么选？先保证条件和结论在一起](/guides/rag-chunking)

围绕当前问题查看任务、资料与人工确认示例，再用企业样例验证。

下一步：[按业务环节查看沙盘](/library)

原文：/guides/embedding-models

内容版本：guide:embedding-models:v1

<!-- version:guide:embedding-models:v1 -->

[结合企业情况咨询](/intake?source=%2Fguides%2Fembedding-models&articleId=guide%3Aembedding-models&versionId=guide%3Aembedding-models%3Av1)