每次进行语义搜索、使用RAG或比较嵌入时，余弦相似度（很可能）就是决定什么是"相似"的度量标准。理解它有助于你调试检索质量、在余弦和替代方案（点积、欧几里得距离）之间做出选择，以及理解为什么某些搜索会遗漏明显的匹配项。
公式：cos(θ) = (A · B) / (||A|| × ||B||)，其中A · B是点积，||A||和||B||是向量的模（长度）。通过除以模，余弦相似度仅衡量方向——向量[1, 2, 3]与[2, 4, 6]的余弦相似度相同，因为它们指向同一方向。这种归一化是余弦在嵌入中有效的原因：方向编码含义，而大小可能因文本长度或模型特性而变化。
如果嵌入已经归一化为单位长度（模为1），余弦相似度等于点积——而点积计算更快（无需除法）。大多数嵌入模型正是因此输出归一化向量。使用向量数据库时，请检查你的嵌入是否已归一化：如果是，使用点积（更快）。如果不是，使用余弦相似度（无论是否归一化都正确）。
余弦相似度平等对待所有维度，但某些嵌入维度可能比其他维度更重要。它还衡量整体方向相似性，可能遗漏细微差异。两个关于"Python编程"和"Python蛇"的句子可能具有中等偏高的余弦相似度，因为它们共享"Python"概念。更复杂的相似性度量（学习指标、交叉编码器重排序）可以以更高的计算成本捕获更精细的区别。