词嵌入余弦检索 使用指南
词嵌入余弦检索器，计算查询向量与文档向量的余弦相似度并排序，用于 RAG 与语义检索的相似度评估。
计算公式与原理
cos(q, d) = (q·d)/(‖q‖·‖d‖)，检索取 top-k 最大者
稠密检索的标准打分：查询向量与文档向量做点积后各自归一化，等价于夹角余弦。实际系统常用内积近似加 ANN 索引（HNSW/IVF）加速，此时必须保证向量已归一化，否则内积会被模长带偏。
使用步骤
- 填写「查询 q1」。
- 填写「查询 q2」。
- 填写「文档 d1」。
- 填写「文档 d2」。
- 结果区会即时更新；可一键复制结果用于记录或汇报。
典型使用场景
- 将查询与文档编码为向量，按余弦相似度排序返回最相近项，是语义检索的核心。
- RAG 中先用向量库召回 top-k，再送大模型生成，召回质量直接决定答案上限。
- 余弦对向量模长不敏感，适合比较语义方向；短文本需配合归一化与去停用词。
算例参考
- 查询召回排序：查询'苹果公司股价'，文档向量('苹果,财报')cos=0.82、('水果,营养')cos=0.31、('iPhone,发布会')cos=0.76 → 召回排序为财报>iPhone>水果，正确命中企业语义。
注意事项
结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。
- 余弦和欧氏在检索里差别大吗？
- 归一化后二者单调相关，但余弦更关注方向、对模长不敏感，适合文本嵌入；未归一化时欧氏会被向量长度主导，检索效果通常更差。
- 召回不准怎么排查？
- 先看向量模型是否适配领域(通用模型对专业词弱)，再查切分粒度与停用词；也可换混合检索(向量+关键词)补召回。