请解释在检索增强生成（RAG）系统中，Embedding嵌入的含义及其作用是什么？

回答思路

1. 【回答框架 1】Embedding是文本等非结构化数据通过嵌入模型映射为高维稠密向量的过程。向量在语义空间中位置相近，表示文本语义相似，是RAG实现语义检索的基础。
2. 【回答框架 2】在RAG中，文档先离线切块并用嵌入模型转为向量存储于向量数据库；用户查询在线用同模型转为向量，通过余弦相似度等度量检索最相关文本块，再供大语言模型生成回答。
3. 【回答框架 3】Embedding的质量直接影响检索效果：好的嵌入模型能表征词汇和句法语义，处理同义词、多义词；不同领域需选合适模型，并考虑维度、性能等。
4. 【回答框架 4】实际应用中还需把握Embedding向量与后续重排、提示设计的配合：先向量召回候选，再用重排模型精排，保证生成上下文质量和相关度。
5. 【关键点 1】Embedding将文本转为高维稠密向量，向量间语义距离度量相关度。
6. 【关键点 2】RAG中它连接非结构化文档与向量检索，实现语义而非字面匹配。
7. 【关键点 3】查询和文档需使用同一嵌入模型编码。
8. 【关键点 4】Embedding选择与领域适配度影响检索和生成质量。
9. 【易错点 1】混淆Embedding与关键词匹配，未能体现语义信息。
10. 【易错点 2】忽略查询与文档嵌入模型不一致导致无法比较。
11. 【易错点 3】仅关注向量检索，忽视重排和上下文组装的作用。