产品详细介绍
Embedditor 是一款面向开发者、数据科学家和 AI 应用构建者的在线嵌入（embeddings）可视化与编辑工具。它将原本抽象、难以直观理解的高维向量，通过交互式界面和多种可视化方式呈现出来，帮助你更轻松地调试、分析和优化模型输出的嵌入表示。
核心功能与特点包括：
-
嵌入可视化展示
- 支持将高维向量通过降维（如 PCA、t-SNE、UMAP 等常见方法）映射到 2D/3D 空间中展示。
- 以点云、聚类分布等形式呈现不同文本、文档或对象的嵌入关系，直观查看相似度与聚类结构。
- 支持颜色、标签、分组等多种标记方式，便于对不同类别或来源的数据进行区分。
-
在线编辑与对比嵌入
- 可以导入已有的嵌入向量（如从向量数据库、模型推理结果或本地文件导出）。
- 支持对单个或一组嵌入进行编辑、删除、标注和备注，方便做实验和调参。
- 提供相似度对比工具，可快速查看两个或多条嵌入之间的距离变化，辅助判断模型更新或数据清洗的效果。
-
多源数据与模型集成
- 支持从常见的嵌入生成服务或模型（如 OpenAI、Cohere、本地向量模型等）接入数据。
- 可通过 API 或文件上传方式导入嵌入，适配多种工作流。
- 适合与现有的向量数据库、检索系统、RAG 应用、推荐系统等配合使用，用于调试和可视化分析。
-
调试与质量评估辅助
- 帮助你发现嵌入中的异常点、离群点和错误聚类，定位数据或模型问题。
- 可对比不同版本模型生成的嵌入分布，评估升级前后在语义聚合、类间分离等方面的变化。
- 通过可视化方式辅助判断“相似样本是否足够接近”“不同类别是否被有效区分”等关键问题。
-
适用于多种应用场景
- RAG / 向量检索应用：检查知识库文档嵌入是否合理聚类，优化召回质量。
- 推荐系统：分析用户、物品向量分布，辅助特征工程与模型调优。
- 语义搜索与分类：验证标签、类别在嵌入空间中的分布情况，发现潜在数据问题。
- 教学与研究：作为教学工具帮助理解高维向量与语义空间，对研究人员进行实验可视化支持。
总体而言，Embedditor 让“看不见的向量空间”变得可视、可编辑、可调试，是构建和优化基于嵌入的 AI 系统时非常实用的辅助工具。
简单使用教程
以下是一个从零开始体验 Embedditor 的简明步骤示例（具体界面名称和按钮可能会随版本更新略有差异）：
-
访问网站并注册/登录
- 在浏览器中打开：
https://embedditor.ai/。 - 根据页面提示完成注册或使用已有账号登录。
- 登录后进入主控制台或项目列表页面。
- 在浏览器中打开：
-
创建或导入一个嵌入项目
- 在首页或控制台点击“New Project / 新建项目”或类似按钮。
- 为项目命名（例如：
RAG 文档嵌入调试）。 - 选择数据来源：
- 通过 文件上传（如 JSON、CSV、Numpy 导出等）导入已有嵌入；或
- 通过 API / 模型集成，从你的嵌入服务中拉取数据；或
- 使用示例数据快速体验。
-
浏览与筛选嵌入数据
- 在数据列表中查看每条记录的文本内容、标签和对应的向量信息。
- 使用搜索、过滤或标签筛选功能，聚焦某一类样本（例如某个主题、某个用户群）。
- 可为关键样本添加备注，方便后续对比和分析。
-
查看嵌入可视化分布
- 切换到“Visualization / 可视化”视图。
- 选择降维方式（如 PCA、t-SNE、UMAP 等），系统会将高维嵌入映射到 2D/3D 平面。
- 通过鼠标拖拽、缩放查看整体分布，悬停或点击单个点查看对应文本或对象详情。
- 使用颜色或分组选项，为不同标签、类别或来源的数据着色，观察聚类情况。
-
对比与调试嵌入
- 在可视化界面中框选一片区域，查看其中样本的共同特征（例如同一主题的文档是否聚在一起）。
- 选择两条或多条记录，使用“Compare / 对比”功能查看它们的向量距离或相似度。
- 如果你有多个模型版本的嵌入，可在“模型版本”或“数据集版本”中切换，对比分布差异。
-
编辑与标注数据（可选）
- 在数据详情面板中，可以修改文本标签、添加备注，或删除明显异常的样本。
- 对需要重点关注的样本打上标记（如“难例”“误召回”等），为后续模型调优提供依据。
- 如工具支持在线重新计算嵌入，可在修改文本或参数后重新生成并刷新可视化。
-
导出与集成到你的工作流
- 当你完成分析与清洗后，可将处理后的嵌入和元数据导出为文件，或通过 API 回写到你的向量数据库/应用中。
- 将 Embedditor 作为日常模型迭代和数据质量检查的一部分，定期用来审视嵌入空间的变化。
通过以上步骤，你可以快速上手 Embedditor，用可视化方式理解和优化嵌入表示，从而提升检索、推荐、RAG 等下游系统的整体效果。
