必要名词

• 文本表示：
  • 把文字转换成模型能够计算的数字。
• Text Embedding：
  • 一种文本表示，把一段话变成可以比较的数字向量。
  • 常用于语义检索、聚类和相似度计算。
• Token：
  • 模型读取和生成文字时使用的基本单位。
  • 它不一定等于一个汉字或一个单词。

人类读得懂的文字，模型必须先转换成数字，才可能继续分类、比较或生成。

先说结论

语言人工智能不只会聊天。工程上可以先把它的常见工作归成三类：

• 分类：
  • 判断一段文字属于什么类别。
• 嵌入：
  • 把文字变成向量，方便比较和检索。
• 生成：
  • 根据已有上下文，逐个 Token 产生新内容。

翻译、摘要、信息抽取和问答，也可以落到这三类能力或它们的组合里。

一条工单怎样用上三类能力

假设我在做一个售后工单 Agent，收到一句话：

支付已经扣款，但订单没有生成。

语言 AI 不只有生成文字，还能把文字变成用于检索的向量，或者判断它属于哪个类别。

同一条工单可以同时被分类、转成向量并生成回复，但三种结果承担的责任不同。

• 分类：
  • 输出 支付异常 或 订单异常。
  • 分类结果可以决定工单进入哪条处理流程。
• 嵌入：
  • 把整条工单变成一串向量。
  • 检索系统用它寻找语义相近的历史工单和处理规则。
• 生成：
  • 根据工单、规则和订单查询结果组织回复。
  • 它负责表达，不负责凭空证明订单状态。

聊天模型表面上在回答问题，底层仍然是在根据已有输入逐个 Token 继续生成。

考考你

语言 AI 常见的三类工作是什么？

• 分类：判断类别。
• 嵌入：转成向量，用于比较和检索。
• 生成：根据上下文产生新内容。

Text Embedding 和生成有什么区别？

• Embedding 输出给机器比较的向量。
  • 转成计算机可以计算的数字
• 生成输出给人阅读的新内容。

参考

• 《图解大模型：生成式 AI 原理与实战》第 1 章，第 3—30 页。
• Hugging Face：Text classification
• Sentence Transformers 文档
• Hugging Face：Causal language modeling