上一篇已经完成 Qwen3-Embedding-0.6B 的本地部署，也分别使用了 LangChain 的 embed_documents() 和 embed_query()。前文只比较了几句话，这一篇把这些知识放进一个更接近真实使用场景的

本文开始使用真正的 Embedding 模型。我们会下载 Qwen/Qwen3-Embedding-0.6B，使用 SentenceTransformer 生成 1024 维向量，比较几句话的语义相似度，最后通过 LangChai

RAG 的第一步不是直接搭建知识库，而是先理解文本怎样变成可以检索和比较的向量。 本文讨论的是文本 Embedding 模型。它对外的使用方式与聊天模型不同：输入仍然是文字，但输出不再是回答，而是一串浮点数： 输入：苹果是一种常见的水果。