向量化和向量数据库是最关键的技能，如果是AI大模型开发技能的必选必备面试必问笔试必考工作中必用的技能

向量、向量文本化、向量数据库这三个概念是最重要的概念

传统的关系型数据库MySQL

分布式内存数据库Redis

还有一个向量数据库，也叫矢量数据库，专门存向量化后的数据

这三种数据库在简历上体现才可以脱颖而出

一、向量是什么

二、文本向量化

把文本以向量化的方式进行表达，进行转换，也叫文生向

任何转换都有一个接口

如果是聊天 T2T，则是ChatModel

如果是文生图T2I，则是ImageModel

如果是文生音T2V，则是speechSynthesisModel

如果是文本向量化，则是EmbeddingModel

左边是文字，通过这个Model接口可以生成数组，然后打到XYZ轴的三维坐标的图细化空间里面，来进行各个维度的特征比对

数组的数字代表大小，数组的各个指针就成为了方向，这样就完成了这段文字到向量化的指针表达，大小和方向的体现

嵌入模型 (Embedding Model)

官方文档：

https://java2ai.com/docs/1.0.0.2/tutorials/basics/embedding/?spm=5176.29160081.0.0.2856aa5cXggpMJhttps://java2ai.com/docs/1.0.0.2/tutorials/basics/embedding/?spm=5176.29160081.0.0.2856aa5cXggpMJ

嵌入(Embedding)的工作原理是将文本、图像和视频转换为称为向量（Vectors）的浮点数数组。这些向量旨在捕捉文本、图像和视频的含义。嵌入数组的长度称为向量的维度（Dimensionality）。

三、向量的维度

在坐标上进行指征的描述，也叫指征向量，是特征和维度的意思

怎么进行维护和说明呢，比如一辆车有几个轮子、是否有发动机、是否可以在地上开、以及最大乘客数量，这就是四个维度，也就是四个指征       

把这个浮点数打到坐标里面，则又有方向又有大小，向量的每个维度代表数据的不同特征维度越多对事务描述越精确，一般转换成的浮点数数组的长度是1024，足够表达

四.如何确定相似

那么，哪一个最接近p呢?
如果"相似"仅仅意味着指向相似的方向，那么a 是最接近p的。接下来是c。b是最不相似的，因为它正好指向与, 相反的方向。如果"相似“仅仅意味着相似的长度，那么b是最接近p的(因为它有相同的长度)，接下来是c，然后是 a。由于向量通常用于描述语义意义，仅仅看长度通常无法满足需求。大多数相似度测量要么仅依赖于方向，要么同时考虑方向和大小。

一般情况下都是进行纯粹的向量比较，也就是同时比较方向和大小

对应sin和cos按照角度张开闭合的程度，有一个东西叫做余弦相似度，例如P和C的夹角角度就是0，因为他们在坐标轴上重合了

P和C之间有一定角度，相似的可以根据角度配合余弦相似度的复杂的数学公式，可以推算出这两个向量指征和对应的数据的匹配重合度，这样就可以进行相似度查询

比如一条狗的特征，是否国内或者国外，年龄、是否有培养成警犬的能力

类似于这样的维度越多，比较的浮点数数组就越长，这样比较的就越精确

五、总结

苹果的[8,5,7]分别代表甜度大小和颜色，要查是否相似就是按照各个维度来查每个数组中的值代表的意义，然后查某个水果的特征与这个水果是否一致或者接近，这样就使得相似的水果进行分组变得非常容易

同义就是向量大小和方向都重合

多义可能是两个向量之间有个夹角

反义一般是夹角180度

向量嵌入为检索增强生成 (RAG) 应用程序提供支持