把使用者的查询贴进 Query，再把你以为该中的段落与实际被检索回来的段落一起贴成候选。排名会告诉你模型是不是真的把你的段落排在别人后面、差距有多少、以及它是不是只差一点就进 top-k。如果它在这里排名很高、上线却仍检索不到，问题就在管线的其他环节——chunk 切分、过滤条件，或线上用的是另一个 embedding 模型。

它衡量两段文字在「意思」上有多接近，与用了哪些词无关。embedding 模型把每段文字对映成向量，让谈同一件事的文字彼此靠近；相似度分数就是两个向量夹角的 cosine。这就是为什么「my laptop will not turn on」和「the computer fails to boot」一个词都没共用仍能拿到高分——也是语义搜索与 RAG 管线实际用来排序的量。

这里的分数介于 0 到 1，越高代表意思越近。但没有通用门槛：0.7 在某个模型下是强匹配、在另一个模型下可能只是普通——绝对值会随模型与文字类型漂移。跨模型可信的是「比较」：哪段排第一、与下一名差距多大。这也是检索管线取排名前 k 而不是取「分数高于某固定值」的原因，以及本工具以排名为主、原始数字为辅的理由。

关键字搜索奖励共用的词；语义相似度奖励共用的意思。两者多数时候一致——有趣的失败都发生在不一致的地方。塞满 query 词汇却在讲别的事的段落，是关键字的误中；一个词都没共用的同义改写，是关键字的盲点。每列的两条分数把两种裁决并排，旗标标的正是这两种分歧。正式系统常把两种讯号合并使用（hybrid search），正因为它们坏掉的方式不同。

embedding 模型用海量「被标成相关」的文字对训练——问题与其答案、同义改写、标题与其文章。训练把相关对的向量推近、无关对的推远；例子够多之后，空间的几何本身就编码了语义：方向与距离反映了什么东西倾向于作为「同一主题」共同出现。模型并没有同义词字典——「近」是训练的统计结果，这也是为什么不同模型画出的地图略有不同、对同一对文字给的分数也不同。

它把一个 query 对最多 12 段候选计分，内建两个示范情境与真实模型模式。示范分数来自为演示构造的向量——明确标示，且字面重叠、排名与结论跑的都是真实程式。真实模式把约 23 MB 的英文 embedding 小模型下载进浏览器；其他语言的分数不可靠，工具会明说。字面重叠是刻意简化的关键字视角近似，不是 BM25。它不切 chunk、不调用任何 embedding API、也不重现你正式环境模型的精确分数——它让你看懂那些系统据以排序的机制。