向量（Vector）是数学中一组有序的数字列表，在 AI 领域用来表示文本、图像、声音等数据的语义特征。通过嵌入模型（Embedding Model），任何数据都可以被映射为高维空间中的一个向量（如 768 维、1024 维、1536 维）。语义相近的内容，它们的向量在高维空间中距离也更近。

你可以把它理解为给每个事物分配一个“语义坐标”——就像地图上用经纬度定位地点一样，向量用数字坐标定位语义。

向量的核心特性：

• 维度：向量的长度，维度越高表达能力越强
• 语义相似度：通过余弦相似度或欧氏距离衡量向量间的远近
• 嵌入模型：将文本/图像转为向量的模型（如 text-embedding-ada-002、bge-large）
• 向量数据库：专门存储和检索向量的数据库（如 Milvus、Pinecone、Weaviate）

大白话理解：

没有向量的时候：

• 你想找一篇和“机器学习入门”类似的文章 → 只能靠关键词匹配，搜到一堆不相关的结果
• 你想让 AI 理解“苹果”和“橘子”是相似的 → 计算机只知道它们是不同的字符串
• 你想做语义搜索 → 传统搜索引擎不理解意思，只匹配字面

有了向量之后：

• 你把所有文章转成向量 → 搜索“机器学习入门”时，找到语义最接近的文章
• 计算机知道“苹果”和“橘子”都是水果，向量距离很近
• 语义搜索成为现实：搜“开心的心情”，能找到“愉悦的感受”

打个比方：

一句话总结：

向量是 AI 理解语义的“数字指纹”，让计算机能比较不同内容在意思上的相似程度。