白歌在白板上画了一条从文档到向量的路线图："要让 AI 读懂飞翔科技内部的 500 页产品手册，第一步不是调 AI，而是把文档变成向量。"李眉眯眼看了一圈："那我得先去装个 PGVector。"
本章导读
本章定位
本章解决的核心问题：如何让 AI 理解私有文档？ 答案是 Embedding（文本向量化）+ VectorStore（向量存储），这是 RAG 的基石。
学习路线图
文件关系说明
| 文件 | 一句话角色 |
|---|---|
EmbeddingModel与文本向量化.md | 理解"文本 → 浮点数数组"的转换过程 |
向量存储抽象与配置.md | VectorStore 接口和 PGVector 的配置与使用 |
ETL数据注入流水线.md | 从 PDF/文本到向量库的完整数据管道 |
一句话预备
"你不需要理解深度学习——只需要知道 Embedding 是一串能表示语义的浮点数，相似的文本在数学空间中距离近。"
与下一章的衔接
掌握向量存储后，第 7 章将结合 ChatClient 实现 RAG（检索增强生成）——让飞翔科技的 AI 客服真正"懂"公司产品。