什么是 双编码器（Bi-Encoder）？

双编码器（Bi-Encoder）是一种检索模型架构，它分别把查询和文档编码为嵌入向量，使二者可以通过相似度搜索高效比较。

工作原理

双编码器使用一个编码器处理查询、另一个编码器处理文档，二者通常共享权重，然后用点积、余弦相似度或其他向量度量比较嵌入。由于文档嵌入可以提前计算，双编码器足够高效，适合大规模检索，也广泛用作 RAG 的第一阶段检索器。代价是模型在检索时不会联合阅读完整查询-文档对，因此细粒度相关性判断通常交给交叉编码器重排器。

主要特点

  • 将查询和文档独立编码到同一向量空间
  • 允许文档嵌入预先计算并存入向量数据库
  • 适合在大规模语料上做第一阶段候选召回
  • 在细粒度相关性判断上通常不如交叉编码器精确
  • 生产 RAG 管线中常用于重排之前的快速召回

常见用途

  1. 为 RAG 索引中的文档分块生成嵌入
  2. 从向量数据库检索 top-k 候选结果
  3. 为大型知识库提供低延迟语义搜索
  4. 使用兼容嵌入构建多语言检索系统
  5. 把快速候选召回与较慢的交叉编码器重排结合

示例

loading...
Loading code...

常见问题

为什么双编码器速度快？

文档嵌入可以离线计算。查询时系统只需要编码查询，并执行向量相似度搜索。

查询编码器和文档编码器一定是同一个模型吗？

不一定。有些系统共享权重，也有系统使用针对查询和文档不同分布训练的非对称编码器。

双编码器的主要限制是什么？

它比较的是压缩后的向量表示，而不是联合阅读完整查询和文档，因此可能遗漏细粒度相关性信号。

双编码器和交叉编码器是什么关系？

双编码器通常用于快速召回，交叉编码器则在较小候选集上进行更精确的成对打分和重排。

相关工具

AI网站导航

权威、全面且持续更新的 AI 人工智能工具与生态资源导航目录。深度覆盖全球与国内顶尖的大语言模型提供商、开放生态与开源项目、前沿学术研究索引与评测排行榜、以及开发者必备的平台与工具目录等。为你提供快速发现、横向能力对比与高效技术选型的最佳入口。支持精准的关键词搜索与个人收藏分组功能，分类分区清晰易用，助你轻松掌握 AI 时代生产力。

JSON 格式化

免费在线JSON格式化(Format)与美化解析工具，一键快速格式化、语法校验和压缩任意复杂的JSON数据字符串。支持直观的代码语法高亮显示、可折叠的交互式树形视图(Tree View)、最近格式化历史记录保存和一键快速复制结果。广泛适用于前后端API接口调试、日志数据分析、以及各类系统配置文件编辑。无需注册登录，100%纯前端本地处理，绝不泄露您的数据隐私。

文本分析器

免费在线全能文本分析与高级字数统计工具。提供极其详尽的字数、总字符数、句子数、段落数精确统计功能，全面支持多语言智能分词(包含中文字符与英文字词独立识别统计)。提供核心高频关键词提取分析、用户平均阅读时间预估和文本排版特征深度检测。专为职业作家、文案编辑、自媒体运营和学生群体设计的文本内容优化辅助神器，即开即用。

相关术语

稠密检索（Dense Retrieval）

稠密检索（Dense Retrieval）是一种语义搜索方法，它把查询和文档表示为稠密嵌入向量，并通过向量相似度检索结果。

向量嵌入

向量嵌入是把文本、图像、实体或其他输入映射为数值向量的学习型表示，使特定训练目标关心的关系可以通过距离度量。只有模型、Revision、任务模式、预处理、维度、归一化和距离函数相互兼容时，向量才可直接比较。

交叉编码器（Cross-Encoder）

交叉编码器（Cross-Encoder）是一种排序模型架构，它联合编码查询和候选文档或片段，并输出相关性分数。

向量数据库

向量数据库是专为存储、索引和查询高维向量嵌入设计的数据库系统，使用 HNSW、IVF 等近似最近邻算法在召回率、延迟、内存与更新成本之间权衡。它支持余弦相似度等距离度量，可用于语义搜索、RAG 和推荐系统；实际规模与延迟取决于过滤、硬件、索引参数和并发工作负载。

相关文章

RAG 是什么？检索增强生成原理与实战指南【2026】

RAG 是什么？本文系统讲解检索增强生成如何在大语言模型回答前引入外部知识依据，覆盖企业知识库构建、文档清洗与分块、Embedding 向量化、向量数据库、稀疏与稠密混合检索、重排序、提示词约束、引用溯源、离线评估和 Python 实战。适合构建客服问答、内部文档检索、代码知识库与需要持续更新资料的 AI 应用，并说明 RAG 与模型微调的选型差异。

2026-02-21

向量数据库指南：RAG、pgvector、搜索引擎与成本选型

向量数据库什么时候需要、什么时候不需要？本文讲解 Embedding、HNSW、元数据过滤与 RAG，比较 PostgreSQL + pgvector、搜索引擎、专用数据库和托管服务，提供租户隔离、混合检索、召回率、尾延迟、索引更新、数据迁移、备份恢复与总成本的生产选型矩阵和 Python 示例，适合企业知识库、语义搜索、推荐和大规模检索系统。

2026-02-21

向量嵌入工程指南：模型选型、语义检索评测与安全迁移

向量嵌入如何支撑语义搜索和 RAG？本文从向量空间、任务类型、归一化与距离函数讲到模型选型、混合检索、重排、Recall@k 评测、索引容量、权限过滤和双索引迁移，帮助开发者用真实查询集验证 Embedding，而不是依赖排行榜、固定维度或无条件相似度阈值。还覆盖向量版本契约、数据删除、跨租户隔离、近似索引取舍和生产监控。

2026-02-21