https://www.chenk.top/zh/tags/embeddings/Recent content in Embeddings on Chen Kai BlogHugozh-CNFri, 03 Apr 2026 09:00:00 +0000https://www.chenk.top/zh/llm-engineering/08-rag/Fri, 03 Apr 2026 09:00:00 +0000https://www.chenk.top/zh/llm-engineering/08-rag/<p>RAG 是当前 LLM 应用中部署最广泛，却工程实践最不成熟的范式。2024 年流行的 Demo 套路——用 <code>text-embedding-3-large</code> 把所有内容向量化，扔进 pgvector，再取 cosine 相似度 top-5——在千篇量级文档和对答案容错率较高的演示场景下尚可应付；但一旦面对十万级真实业务文档，且客户对答案准确性有严格要求时，这套方案便难以为继。本章内容，正是我希望更多团队在构建第二代 RAG 系统前就能掌握的关键认知。</p>https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/Sun, 07 Dec 2025 09:00:00 +0000https://www.chenk.top/zh/recommendation-systems/03-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E6%A8%A1%E5%9E%8B/<p>2016 年 6 月，Google 发表了一篇仅一页的论文，悄然重塑了推荐系统的格局。该文介绍了 <strong>Wide &amp; Deep Learning</strong>——当时正驱动着十亿用户规模的 Google Play 应用商店推荐。短短一年内，各大科技公司纷纷将深度模型投入生产；到 2019 年，行业标准已然转变：矩阵分解不再是核心系统，而仅作为基线方法。</p>