课程总览DAY 03

预计 150 分钟 · 软顺序学习

Embedding、向量数据库与语义搜索

未开始

理解文本如何变为语义向量，以及向量检索、metadata 与 hybrid search 分别解决什么问题。

必看资料0/4
知识小测0/5
AI 作业待提交

01 / 学习

先建立正确的判断框架

0/4 已完成

逐项打开资料并在看完后打卡。选看不影响本日通过，但适合在有余量时补充。

01
Vector embeddings OpenAI Developers
02
Retrieval OpenAI Developers
03
Vector search overview Microsoft Learn
04
Introduction Chroma Docs
选看资料 · 不影响通过条件
01
Introduction to Vector Search 2.0 Google Codelabs
02
What is a vector database? Weaviate
03
Retrieval-Augmented Generation Pinecone

02 / 产出

写下可以被检查的答案

需 ≥ 70 分

当天任务

## Day 3 学习作业

选择一份产品文档、FAQ 或面试笔记，手动拆成 5–10 个 chunk。每个 chunk 请写：
chunk_id / title / content / source / section / updated_at / permission

再回答下列问题，并指出应该检索哪些 chunk 以及原因：
1. 这个产品适合哪些用户？
2. 退款规则是什么？
3. 免费版有什么限制？

最后解释：embedding、向量距离、metadata filter 各自的作用是什么？
验收标准

能说明 embedding 把文本映射为语义向量，向量数据库据此检索意思接近的内容；metadata 用于权限、时间和范围约束。

0/12000

03 / 考核

五题概念检查

通过线 4/5

答完后立即查看解释。可以不限次数重做，系统保留最高分。

  1. 01Embedding 通常把文本转换成什么？

  2. 02语义搜索的优势是？

  3. 03metadata filter 最适合处理什么？

  4. 04hybrid search 指的是？

  5. 05为什么 chunk 切分会影响 RAG？

本日完成定义

完成资料、通过小测、拿到 70 分以上作业评分。

不需要一次完成。进度与草稿会留在此浏览器，之后可从设置页导出备份。