要使用 OpenAI 的嵌入模型进行语义搜索，首先将文本转换为捕获语义含义的数值向量（嵌入），然后比较这些向量以找到相似内容。OpenAI 提供 API 端点，用于使用 text-embedding-3-small 或 text-embedding-3-large 等模型生成嵌入。这些模型将文本映射到高维向量（例如，text-embedding-3-small 为 1536 维），其中向量空间中更近的距离表示更高的语义相似性。工作流程包括三个步骤：为数据集生成嵌入、高效地存储它们，以及使用搜索输入的嵌入查询它们以找到最接近的匹配项。
为了实现这一点，首先为您的文档生成嵌入。例如，使用 Python 和 OpenAI 的库，您可以通过模型名称和输入文本调用 openai.embeddings.create。每个文档（例如，产品描述或文章）都被转换为一个向量，并与其原始文本一起存储。接下来，将这些嵌入存储在为向量搜索优化的数据库中，例如 Pinecone、Chroma 或 FAISS。这些工具会索引向量，以便进行快速相似性比较。当用户提交搜索查询时，使用相同的模型生成其嵌入，然后使用数据库查找最近的向量——通常通过余弦相似度、点积或欧几里得距离。例如，像“经济实惠的无线耳机”这样的查询可能与标题为“预算蓝牙耳塞”的产品匹配，即使没有关键字重叠。
一个实际的例子：想象构建一个常见问题解答 (FAQ) 搜索系统。首先，为所有 FAQ 答案生成嵌入。将它们存储在本地 FAISS 索引中以实现低延迟。当用户提问“我如何重置密码？”时，将查询转换为嵌入并搜索索引以查找前三个最接近的 FAQ 向量。结果可能包括有关“账户恢复步骤”或“排除登录问题”的答案，即使它们没有提及“重置密码”。这种方法确保了基于上下文的相关结果，而不仅仅是精确的术语。像 LangChain 这样的工具可以通过几行代码处理嵌入生成和向量存储来简化此工作流程。关键在于确保一致的预处理（例如，将文本截断到模型的 token 限制）并选择与您的用例一致的相似性指标。