切割和向量化有什么关系？切割的规则如何设定？

Question

1. 这个切割和向量化的关系是什么？非得切割了才能向量化吗？为什么切割参数是150，而不是300。
2. 这个向量化的过程是借用的大模型的能力自动实现的吗？如果是借用大模型向量化能力，那么向量化后的数据，再回传到本地，并存储到向量数据库中？

Answer 1

tomiezhang 2天前

1. 切割文本主要是为了LLM上下文窗口限制，以及向量化匹配的精度(不走切割的话一大片文字，很难做到大海捞针匹配)

2. 切不切要看放入知识库的资料的情况，如果资料比较短小就不用了，长的资料一定要切割才可以，这就像你看一本书一定是一页页看一样，有一个windw的概念。

3. 向量化的过程在你另外一个问题里已经回答了，当然是自动实现的，借助embedding模型就可以实现，向量化的数据存入向量数据库，向量数据库就可以用坐标来做相关性的比对。
   

• 提问者 dd666666 #1

  关于问题2，我想再问一下，这个切割的原因就是纯碎的为了变小吗？类似于“强制换行”。还是说，一句话，为了识别方便，会根据分词器的规则进行切割，便于存取。另外，另外针对向量内容匹配识别，这个是嵌入模型的能力，还是向量数据库的能力？（举例：我提问了一个问题，从海量向量数据中，得到了相关的内容）。

• tomiezhang 回复 提问者 dd666666 #2

  切割主要是为了照顾LLM的交互窗口限制。向量内容匹配是向量数据的能力，你可以理解为先用关键字从数据库匹配出包含关键字的内容，然后再把筛出来的内容提交给大模型继续大海捞针，所以最终的结果取决于向量数据匹配的程度以及LLM的进一步理解。

• 提问者 dd666666 回复 tomiezhang #3

  回复 tomiezhang：您说的交互窗口限制，指的是咱们调用大模型API时候内容时，提交的内容长度限制吗？因为用户问的问题比较短。如：写一篇关于气象方面的论文。

点开查看后面1条评论