索引阶段第二站：文本到向量、双编码器与交叉编码器、模型选型、维度与块大小约束。

Embedding 与向量化

Embedding 是把文本映射成高维向量的过程，核心性质：语义相近的文本在向量空间里距离近。“苹果发布会”的向量能靠近含“iPhone 发布”的段落，这是向量检索比关键词检索强的地方，也是 RAG 语义召回的基础。

双编码器与交叉编码器

两个经常被混淆的概念：

双编码器（Bi-Encoder）：query 和 document 分别编码成向量，用余弦相似度或内积打分。文档向量可以离线算好存进向量库，检索时只编码 query，一次比对海量向量。检索阶段用它
交叉编码器（Cross-Encoder）：query 和 document 拼接成一个输入，模型做细粒度相关性打分。精度高但必须逐对计算，无法预计算，成本高。重排阶段用它

生产里的标准分工：双编码器粗召回 Top-50，交叉编码器精排取 Top-5 到 10。

考虑项	说明
语言匹配	中文场景优先中文优化的模型（bge 系列、m3e），通用模型对中文语义理解偏弱
最大输入长度	bge-large-zh 约 512 token，text-embedding-3 支持 8191。块大小不能超过它，要留余量
向量维度	高维精度好但存储和检索开销大。部分模型支持 MRL 降维，用低维子向量
领域适配	法律、医疗等垂直领域，通用模型可能不够，需要领域微调的嵌入模型
归一化	文本向量通常做 L2 归一化，让余弦相似度和内积等价

query 向量化用同一个模型。 索引阶段和检索阶段必须用同一个嵌入模型，换了模型整个索引要重建，因为不同模型的向量空间不可比。

query 通常做与文档向量同样的归一化处理，保证相似度分数可解释。