LangChain 实战第15课：聊聊RAG，为什么文本需要做向量化

在上一篇文章，我们把公司规章制度文档做了切分，但是还没有向量化，今天我们重点讲讲这部分的内容。

切分后的文本片段，依然只是普通字符串。计算机并不能理解“请假制度”和“打卡规则”之间的关系。要让检索具备语义能力，我们必须把文本转成 向量。

为什么文本不行，向量就能行呢？

我们接着看。

为什么要向量化？

向量化的作用就是把 自然语言 → 数字向量。 这样我们就能用数学方法来度量相似度：

• • 用户问「请假流程」，
• • 系统把问题转成一个向量，
• • 在知识库中找到最接近的向量（例如“员工请假需提前 3 天申请”）。

有了向量化，检索才能从“关键词匹配”进化到“语义匹配”。

向量模型选型

选择向量模型时，可以从这三个维度考虑：

1. 1. 准确性（embedding 质量）
1. 1. 语义表示是否足够好？
2. 2. 检索结果是否稳定？
2. 2. 性能（速度与大小）
1. 1. 模型是否轻量，适合实时场景？
2. 2. 是否支持在本地快速运行？
3. 3. 成本与部署方式
1. 1. 是否需要联网调用？
2. 2. 模型大小是否能接受？

下面我们用 bge-small 模型来演示下如何向量化文本：

• • 参数量小，推理速度快；
• • 效果在大多数中文/英文检索任务中已经足够好；
• • 可以在本地运行，方便教学和实验。

案例：用 bge-small 对规章制度向量化

我们继续用上一节切分出来的规章制度，做 embedding。

             
             
             
             from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 原始文本
raw_text = """
## 考勤制度
1. 员工必须每天打卡。
2. 上班期间禁止使用私人手机。

## 请假制度
3. 员工请假需提前 3 天申请。
4. 公司提供每年 10 天带薪年假。
"""

# 1. 切分
splitter = RecursiveCharacterTextSplitter(chunk_size=50, chunk_overlap=10)
docs = splitter.create_documents([raw_text])

# 2. 向量化 (bge-small)
model_name = "BAAI/bge-small-zh-v1.5"
embedding = HuggingFaceEmbeddings(model_name=model_name)

vectors = [embedding.embed_query(doc.page_content) for doc in docs]

print("向量维度：", len(vectors[0]))
print("第一个文档内容：", docs[0].page_content)
print("对应向量前10维：", vectors[0][:10])

运行结果如下：

langchain干了什么呢？其实它只是帮你调用不同的向量模型，封装好了函数，让你用起来更方便，代码更简洁。

下一篇文章，我们来聊聊这些向量如何存进向量数据库。