本文对比分析了Transformer架构与RAG系统中的Embedding本质区别。Transformer的Embedding仅作为模型的输入层，负责将离散符号映射为连续向量；而RAG的Embedding是一个完整的编码模型(如BERT)，可独立提供语义检索服务。前者是模型的组成部分，后者是能单独对外服务的主力军，理解这一区别对掌握大模型和RAG系统架构至关重要。
先讲结论：Transformer的Embedding是模型的输入层，RAG的Embedding是一个完整的编码模型（如BERT），用于语义检索。
具体来说，Transformer架构中的Embedding，是整个Transformer模型的初始输入处理模块，是模型的输入层。在标准的Transformer架构中，Embedding层的作用是将输入的离散符号（如单词、子词）映射为连续的向量表示。
RAG中的Embedding是RAG系统中的一个子模块，是一个完整的编码模型（如BERT），用于语义检索。
在RAG框架中，Embedding是指用于检索的Embedding模型，它通常是一个独立的、完整的Transformer编码器（如BERT）。核心作用是实现文本与向量的语义映射：知识库构建阶段，把业务知识文本进行语义编码，向量化，该向量会存向量数据库；检索问答阶段，把用户的问题进行语义编码，向量化，该向量用于从向量数据库中检索语义最相似的向量，精准定位与用户问题相关的业务知识片段
字有点多，来张图：
可以看到RAG中的Embedding是一个模型，在RAG系统中是一个独立的子模块。
再看一张RAG系统中Embedding模型的架构图：
从图上可以看到，Transfromer架构中的Embedding组件只是其中的一个部分。
总结一下：
Transformer的Embedding，是一个架构的组件，是一个模型的组成部分，不能单独对外提供服务。
RAG系统中的Embedding，是一个模型，可以单独对外提供服务。
简单的讲，Transformer的Embedding在模型里打下手，RAG的Embedding在外面当主力。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
