向量嵌入与混合检索：超越关键词搜索的语义搜索

传统搜索的致命缺陷

传统电子书阅读器的搜索是纯关键词匹配：你输入"并发修改"，它只会找到包含"并发修改"这四个字的段落。但如果你记得作者讲的是"处理同时发生的数据变更"，你就搜不到了——这就是词汇错配（vocabulary mismatch）问题。

ReadAny 的语义搜索从根本上解决了这个问题：你搜的是意思，不是字。

向量嵌入是什么

向量嵌入（Vector Embedding）是把文字转换成数字向量的技术。一句话说：

意思相近的文字，转换成向量后在数学空间里也离得近。

例如：

• "处理并发数据变更" 和 "同时发生的数据修改" 会被映射到相近的向量
• "处理并发数据变更" 和 "做饭时同时开两个锅" 会被映射到距离较远的向量

嵌入模型（Embedding Model）就是做这个转换的 AI 模型。ReadAny 支持云端和本地的嵌入模型配置。

混合检索策略

纯向量搜索也有弱点——它可能漏掉精确匹配的专有名词和代码标识符。ReadAny 采用混合检索来平衡：

第一路：BM25 关键词匹配

传统搜索引擎的标准算法，精确匹配你的搜索词。适合找：

• 代码中的变量名、函数名
• 专有名词、产品名
• 精确的引文

第二路：向量相似度匹配

把你的搜索词也转成向量，在向量空间里找最接近的分块。适合找：

• 意思相近但用词不同的段落
• 同义词、近义词覆盖
• 模糊记忆的概念

合并与排序

两路结果用 RRF（Reciprocal Rank Fusion）算法合并，综合排序列出最终结果。这样既不会漏掉精确的代码匹配，也能找到意思接近但用词不同的段落。

嵌入模型的选择

嵌入模型直接决定语义搜索的效果。ReadAny 推荐：

模型维度越高，区分能力越强，但存储和计算成本也越高。对大部分用户来说，384-1024 维就够用了。

向量化过程

向量化发生在两个时机：

1. 导入书籍时——如果已配置嵌入模型，导入过程中自动向量化
2. 导入后手动触发——如果导入时没配置 AI，后来配好了，可以在书籍设置里点"开始向量化"

向量化过程：

• 一本 300 页的书大约需要几十秒（取决于模型速度）
• 向量化完成后，语义搜索立即生效
• 向量索引存在本地 SQLite 中，不占用额外磁盘空间

搜索结果展示

搜索结果按相关性排序，每条结果显示：

• 匹配到的书籍和章节
• 匹配分块的原文片段（高亮匹配部分）
• 匹配类型标注（"关键词匹配" 或 "语义匹配"）

点击结果直接跳转到书中对应位置。