概率嵌入

概率嵌入用一组固定问题描述文本。每个维度都有明确的问题和答案含义，便于检查差异，并在兼容的结果之间计算距离。

固定问题基底#

先定义 1 到 32 个问题，并固定问题顺序、答案选项和上下文字段。jev_native.embed(source_sql, basis, options) 对源数据逐行评估，返回完整答案概率矩阵及展开后的向量。

例如，两个问题各有两个答案：

{
  "matrix": [[0.2, 0.8], [0.7, 0.3]],
  "vector": [0.2, 0.8, 0.7, 0.3]
}

这些数字仅用于说明表示形式。向量保留每个问题的所有答案概率，不能只保留最大项，也不能随意改变维度顺序。

复用已有判断#

jev_native.answer_matrix(basis, decisions, evaluator) 可以将已有类型化判断投影到相同表示，无需再次调用模型。

未执行的问题保持 NOT_EVALUATED，相应值为空；不能用全零向量伪装成完成的结果。比较前应先检查完整性。

保存与比较#

保存矩阵时一并保存问题基底和评估器标识。jev_native.embedding_distance(left, right) 对完整且身份兼容的矩阵做本地距离计算，不调用模型。

该比较使用 Hellinger 距离。即使向量长度相同，问题、答案含义或评估器版本不同，也不能直接混用。

适用场景#

当你能明确说出关心的语义轴时，可以用它比较消息、查找相似记录或分析文本差异。检索质量仍取决于问题设计与模型判断，需要使用独立测试数据评估，不能仅凭向量可解释就认定效果更好。

本页介绍用法与注意事项。完整参数及详细约定请参阅对应英文文档。