多段文本直接拼接再做 Embedding 会怎样?

我之前干过一件挺蠢的事：为了省事，把好几段文本直接用换行拼成一大段丢给模型做 Embedding，心想反正内容都相关，向量应该也差不多吧。结果检索的时候灾难了——搜出来的东西似是而非，明明每段各自的语义都挺清晰，拼在一起之后反而谁都匹配不上。从那以后我就记住了，这个坑真的别踩。

后来我才想明白问题出在哪。Embedding 模型不管你塞给它多少内容，最后都只输出一个向量，它得把所有信息"压缩"进这一串数字里。你只给它一段讲退款的文本，向量就老老实实落在"退款"那片区域；你再拼一段讲物流的，模型就得两头都照顾，最终的向量大概落在两者中间的某个位置——既不像退款，也不像物流。拿地图坐标打比方，这就像把北京和上海的坐标取了个平均，那个点落在中间，哪儿都不挨着。检索时拿它去匹配，自然两边都够不着。

还有个容易被忽略的点：模型能处理的上下文长度是有限的。拼得太长，后面的内容可能被截掉，或者权重被稀释，你以为信息都放进去了，其实模型根本没"看全"。

那正确的姿势是什么？我的经验是按语义单元切段，一段一个向量，各管各的。检索时分别去匹配，哪段相关就命中哪段，精度明显好很多。如果确实需要一个整体表示，也可以先分段生成向量再做聚合，而不是在文本层面先拼死。

当然，拼接也不是绝对不行。如果几段文本本来就围绕同一件事、语义高度一致，拼起来问题不大，还能省点调用次数。怕就怕把两件事混到一起——这是我踩过的坑，希望你别再踩一遍。下次做 Embedding 之前，先问自己一句：这几段真的是一回事吗？不是的话，老老实实切开。