Day 26｜Embedding 是什麼？Vector Database 又在做什麼？

前面介紹了 Hidden Context Exposure，今天來看看 LLM Application 中很常見的一組技術：Embedding 與 Vector Database。

如果你有使用過 RAG，這兩個名詞應該不陌生。

什麼是 Embedding？

簡單來說，Embedding 就是把文字、圖片或其他資料轉換成一組向量（Vector）。

例如：

「我喜歡吃台灣料理」

經過 Embedding Model 處理後，會變成一串數值。

這些數值本身看起來沒有什麼意義，但它可以代表原本資料的「語意特徵」。

因此，意思相近的內容，通常會得到比較接近的向量。

例如：

「我喜歡吃台灣料理」
「我很喜歡台灣美食」

這兩句話雖然文字不同，但語意很接近，所以產生的 Embedding 也可能比較接近。

那 Vector Database 是什麼？

既然資料都被轉成 Vector，就需要一個地方把它們存起來。

這就是 Vector Database（向量資料庫）。

它主要負責儲存這些向量，並且根據相似程度快速找出相關資料。

例如使用者問：

「台灣有哪些好吃的小吃？」

系統可以把這個問題也轉成 Vector，再去 Vector Database 裡尋找「語意最接近」的資料。

最後把找到的內容交給 LLM，讓模型根據這些資料產生答案。

這就是 RAG 常見的運作方式：

使用者問題 → Embedding → Vector Search → 找到相關資料 → LLM → 產生答案

為什麼這跟資安有關？

問題就在於：

Vector Database 裡存的，可能不是普通資料，而可能是公司的內部文件、客戶資料或其他敏感資訊。

而且系統是透過「語意相似度」來找資料，不是單純的關鍵字搜尋。

因此，如果 Embedding、Vector Database 或 Retrieval 的設計出現問題，就可能造成：

找到不該取得的資料

不同使用者之間資料混在一起

搜尋結果被攻擊者影響

從 Embedding 中推測原始資訊

也因此，Embedding 與 Vector Database 雖然主要是為了讓 RAG 更好用，但同時也增加了新的攻擊面。