Embedding 就是把文字、图片、用户、商品等信息，转换成一串数字向量，让模型可以用数学方式理解它们的语义关系。
也可以简单理解为：
Embedding = 语义坐标
就像地图上每个城市都有经纬度，Embedding 是把一句话、一个词、一个文档放到一个“语义地图”里。
北京 → [116.4, 39.9]
上海 → [121.5, 31.2]
Embedding 做的事情类似：
“买车” → [0.21, -0.55, 0.73, ...]
“汽车报价” → [0.24, -0.51, 0.70, ...]
“今天吃什么” → [-0.66, 0.12, -0.30, ...]
“买车”和“汽车报价”的向量更接近，说明它们语义更相关；“买车”和“今天吃什么”距离更远，说明语义差异更大。
因为大模型本质上只能计算数字，不能直接计算文字。
所以文字进入模型前，一般会经历两步：
文字
↓
Tokenization：把文字切成 token
↓
Embedding：把 token 变成向量
↓
Transformer：继续计算上下文关系
↓
输出结果
例如：
“我想买车”
先经过 Tokenization，变成 token：
[“我”, “想”, “买”, “车”]
或者在模型内部表现为 token id：
[1024, 5689, 2333, 998]
然后每个 token id 会被映射成一个向量：