根据笔记内容，向量化机制的核心是将文本转换为**高维向量**，从而捕获语义信息，实现语义搜索和跨语言理解。
**主要优势：**
- ✅ 捕获**语义信息**（相似的文本向量接近）
- ✅ 支持**语义搜索**（余弦相似度匹配）
- ✅ 容忍**拼写差异**
- ✅ 跨语言理解（多语言模型）
**核心思想：** 将文本映射到向量空间，语义相似的文本在空间中距离更近。
**主流向量化方法：**
1. **传统方法：** TF-IDF、Word2Vec、GloVe（简单快速，但无语义理解或缺乏上下文）
2. **深度学习方法：** BERT（768维，双向上下文）、text-embedding-ada-002（OpenAI，1536维）、text-embedding-v3（阿里百炼，1024维，中文优化，本项目使用）、m3e（开源中文优秀）
**本项目选择：** 阿里云百炼 `text-embedding-v3`（1024维，¥0.7/百万 token，API 调用稳定）
**向量化处理流程：**
1. 提取 frontmatter（元数据）
2. 切分文本（Chunk）
3. 调用 Embedding API
4. 存储到 SQLite（BLOB）
5. 运行时检索（余弦相似度）
**方案亮点：** 低成本、高可用性，使用 SQLite BLOB 向量存储，无需专门的向量数据库，支持增量更新，毫秒级检索。
以上内容来源于笔记《RAG向量化机制详解》。如有更具体的问题，欢迎继续提问！
📚 参考笔记：
[{"title": "RAG向量化机制详解", "similarity": 0.7288923263549805}, {"title": "RAG向量化机制详解", "similarity": 0.712888240814209}, {"title": "Ping AI上下文记忆功能实现", "similarity": 0.6874420642852783}]