Text Embedding 3 Small

text-embedding-3-small 适合把大量文本变成可按含义检索的索引。文章标题、商品说明、客服问题和知识库段落都可以生成向量，再通过相似度找到相关内容。它侧重轻量和成本效率，适合经常新增资料或需要大量查询的应用。

例如用户输入“怎么让账号更安全”，系统可以召回介绍双重验证和登录保护的内容，而不必要求查询与文档使用完全相同的词。也可以用向量寻找相似工单、推荐相关文章，或对大量反馈做聚类，再由人工为类别命名。

默认输出为 1,536 维，可以用 dimensions 调整为更短的向量。索引库和查询端必须采用相同的模型、维度与预处理规则；改变设置后，旧向量不能直接混用。选择配置时，应使用真实问题检查召回质量，同时比较存储与检索开销。

长文本宜按主题分块，保留标题、原文和业务标识。检索时还需结合租户、权限、时间等过滤条件；向量相似并不代表内容有权访问，也不保证就是最终答案。这个模型返回数值向量，问答应用需要在召回资料后继续组织文字回答。

文章推荐可以这样接入：为文章标题与摘要生成向量，保存文章 ID；用户阅读一篇文章后，用其向量检索相关内容，再按时间、类别或业务规则过滤排序。

示例输入文本：“为账号开启双重验证，并管理可信设备。”查询文本：“怎样防止别人登录我的账号？”直接提交文本，无需写聊天提示词。

检索效果怎样评估？准备真实查询和应召回的文档，比较分块、维度和过滤设置。更换模型或 dimensions 后重建索引，查询与文档保持一致。