在 RAG（检索增强生成）系统中，检索（Retrieval）的质量直接决定了最终生成的答案是否准确。而检索的核心在于如何将文本（Query 和 Document）转化为计算机可以计算的数字形式。 稀疏向量（Sparse Vector）和稠密向量（Dense Vector）是两种截然不同的文本表示方式。简单来说：稀疏向量主要用于关键词匹配，稠密向量主要用于语义理解。 以下是详细的对比分析： --- 1. 核心概念与直观理解 稀疏向量 (Sparse Vector) 直观理解： “词袋模型”或关键词搜索。 原理： 向量的维度等于整个词汇表的大小（通常是几万到几十万）。如果文本中包含了某个词，向量中对应的位置就是非零值（通常是 TF-IDF 值或 BM25 权重）；如果没包含，该位置就是 0。 特点： 因为一句话只包含词汇表中的极少数词，所以向量中绝大多数位置都是 0（因此得名“稀疏”）。 代表算法： BM25, TF-IDF, SPLADE (一种学习型的稀疏向量)。 稠密向量 (Dense Vector) 直观理解： “语义坐标”。 原理： 通过深度学习模型（如 BERT, Ope...
播面