Agent 工程
從 Embedding 到 Milvus
先建立直覺：模型把含義變成座標，Milvus 負責在海量座標中快速找到“意思最接近”的內容。
一條完整的資料鏈
1
原始內容
“退款多久入帳？”以及文件、圖片等業務資料。
2
Embedding
同一個模型把內容編碼成固定長度的浮點向量。
3
ANN 搜尋
近似最近鄰用少量精度換取數量級更高的速度。
4
業務結果
返回 Top-K 文件，再交給應用或大模型使用。
為什麼普通關鍵詞搜尋不夠
字面不同，意思相近
“如何退錢”和“退款流程”未必共享關鍵詞，但在語義空間裡距離很近。Embedding 捕捉的是統計語義，不是可靠的事實判斷。
不能逐條硬算
一百萬條向量逐一精確比較成本太高。ANN 索引先縮小候選集，再計算距離；因此需要用 Recall 與延遲共同評測。
相似度的方向別弄反
| Metric | 怎樣更相似 | 適用提示 |
|---|---|---|
| L2（歐氏距離） | 越小越近 | 關注絕對空間距離 |
| IP（內積） | 越大越近 | 向量模長會影響分數 |
| COSINE | 越大越近 | 關注方向；文字語義常用 |
關鍵約束：寫入與查詢必須使用同一 Embedding 模型、同一預處理方式和同一維度；建索引與搜尋的 metric 也必須一致。否則“有結果”不等於“結果可信”。
Milvus 到底負責什麼
存
同時儲存向量、主鍵與來源、類別、時間等標量欄位。
找
用向量索引完成 Top-K 搜尋，並用標量 filter 縮小範圍。
管
管理 collection、索引、載入與資料生命週期；它不替你生成 Embedding，也不替大模型回答。
收穫 Embedding 決定“含義如何表示”，Milvus 決定“如何可靠且快速地存與找”。下一課把它翻譯成資料庫心智模型。