嵌入策略指南

要解决什么问题

向量检索和 RAG 的效果，往往卡在「用哪套嵌入、怎么切文档、向量是否可比」这三件事上。模型维度、上下文长度和领域差异会直接改变召回质量；混用不同嵌入或粗暴截断，也会让相似度失去意义。

技能如何帮你落地

本技能围绕嵌入模型选型、分块策略和流水线模板组织内容，并给出可验证的做法：

• 模型对比：对照 text-embedding-3-large/small、voyage-2、bge-large-en-v1.5、all-MiniLM-L6-v2、multilingual-e5-large 等，从维度、最大 Token、适用场景（高精度、性价比、代码/法律、开源、多语言）做取舍。
• 嵌入流水线：提供 OpenAI 嵌入、本地 Sentence Transformers、分块策略、领域流水线、质量评估等模板，便于按环境复用。
• 实践约束：强调匹配用例（代码/散文/多语言）、保留语义边界的分块、标准化嵌入以配合余弦相似度、批量请求与缓存；并说明需要详细示例时可参考 resources/implementation-playbook.md。

适用边界

• 任务与嵌入策略无关，或需要本技能范围外的其他领域工具时，不宜使用。
• 不要混用嵌入模型（向量空间不兼容）；不要忽略 Token 限制；预处理与分块粒度会影响上下文，过度分块会丢语义。