1. 从文本到向量:嵌入模型的核心作用解析
在自然语言处理领域,嵌入模型(Embedding Model)扮演着将离散文本转化为连续向量空间的关键角色。这种转换不是简单的编码过程,而是通过深度神经网络学习到的语义表示。当我们将句子"今天天气真好"输入嵌入模型时,输出的可能是一个768维的浮点数向量,比如[0.23, -0.45, 0.67, ..., 0.12]。这个向量神奇地捕获了原始文本的语义特征,使得语义相似的句子在向量空间中距离更近。
实际应用中,OpenAI的text-embedding-ada-002模型生成的向量维度为1536,而开源的all-MiniLM-L6-v2模型则输出384维向量。维度的选择需要权衡计算成本和语义表示能力。
嵌入模型的质量直接影响下游任务效果。好的嵌入应该具备以下特性:语义相似的文本向量距离近(通过余弦相似度衡量);支持跨语言对齐(如中英相同含义句子向量接近);对同义词和近义词有鲁棒性。在RAG(检索增强生成)系统中,嵌入模型的质量决定了检索到的上下文是否相关,进而影响最终生成结果。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Python对象自省:hasattr的实用技巧
hasattr()是Python自省工具箱中的瑞士军刀,它通过检查对象是否具有指定属性来避免程序崩溃。其工作原理是尝试获取对象属性并在失败时捕获AttributeError异常。典型使用场景包括:
python复制class ChatAgent:
def __init__(self):
self.memory = []
def recall(self):
return self.memory[-10:]
agent = ChatAgent()
if hasattr(agent, 'recall'):
print("Agent具备记忆召回能力") # 会执行
if hasattr(agent, 'generate'):
print("Agent具备生成能力") # 不会执行
在构建动态Agent系统时,hasattr配合getattr可以实现灵活的插件机制。例如当Agent需要根据用户请求动态调用工具时,可以先检查工具是否存在:
python复制tools
