向量嵌入语义搜索和关键词搜索经常被放在一起比较。选错了不会出大问题，但会多走弯路。

核心区别

关键词搜索精确、可解释，但找不到换了说法的内容；语义搜索按意思查找，召回更广，两者结合效果最好。

从原理看，嵌入模型把语义相近的文本映射到相近的向量位置，计算向量之间的相似度就能找到意思相关的内容，这是很多知识库和推荐功能的基础。语义搜索并不是关键词搜索的替代品，而是补充。语义搜索擅长理解“意思”，但对产品型号、人名、编号这类精确信息反而可能不如关键词搜索。实际应用中，混合搜索往往是更稳妥的选择：语义负责找到相关的范围，关键词负责保证精确的命中。

什么时候选语义搜索

  • 搭建知识库问答，需要按意思检索资料。
  • 用户用各种不同说法提问，关键词搜索找不到。
  • 需要找出相似的文档、问题或工单。
  • 对大量文本做聚类或去重。

一个虚构的对比：一位客服主管发现，客服在知识库里搜索“退不了款”时总是找不到“退款失败处理流程”。技术同事为知识库加上了语义搜索，并保留关键词搜索作为补充。之后客服用各种口语化的说法搜索，都能找到对应的流程文档。

什么时候关键词搜索就够了

任务简单、一次性、对格式没有严格要求时，关键词搜索往往更省事。另外要注意，更换嵌入模型后不重建向量。更好的做法是：不同模型的向量不能混用，更换模型需要重新生成。

如果选择语义搜索，这样开始

  1. 把向量和原文、元信息一起存储。
  2. 用户提问时，把问题也转换为向量，检索最相似的片段。
  3. 结合关键词搜索或重新排序，提升检索准确性。
  4. 用测试集评估检索效果，持续调整切分和检索参数。

示范提示词

以数据分析师的场景为例：

请帮我设计一个语义搜索方案，用于数据分析师团队检索内部的分析报告资料：
- 资料规模：约 [数量] 份文档，以中文为主
- 用户：团队成员，提问方式多样
- 要求：返回最相关的 3 个片段，并附上文档名称和位置
请说明：
1. 整体流程（切分、向量化、存储、检索、展示）；
2. 选择嵌入模型时需要考虑的因素（语言、成本、是否可本地部署）；
3. 为什么建议同时使用关键词搜索；
4. 如何用测试问题评估检索效果。
不确定的具体产品和参数请不要编造。

使用时请注意：AI 不了解你们的指标口径，写出的语句和结论都要用小样本核对一遍。

一个常被问到的问题

需要很大的服务器吗？ 小规模资料在普通服务器甚至个人电脑上就可以运行，大规模数据需要专门的向量存储方案。

结论

一句话：任务复杂或需要反复执行时选语义搜索，临时的简单问题用关键词搜索即可。两者也可以先后使用：先用关键词搜索快速试探，再用语义搜索打磨。

一个容易忽略的点

选择哪种做法，还要考虑之后要不要复用。只用一次的任务，多花十分钟准备未必划算；每周都要做的任务，花时间把语义搜索用好，后面每次都能省事。

相关阅读