Embeddings — это способ представить смысл текста в виде массива чисел (вектора). Специальная embedding-модель преобразует фразу, например «Какой срок гарантии?», в вектор [0.12, -0.83, 0.44, ...]. Тексты с похожим смыслом получают математически близкие векторы, даже если в них используются разные слова. Это позволяет делать семантический поиск — поиск по смыслу, а не по совпадению слов. В RAG документы разбиваются на фрагменты, для каждого создаётся embedding и сохраняется вместе с исходным текстом в векторной БД (например, PostgreSQL + pgvector). Вопрос пользователя тоже преобразуется в embedding, база находит ближайшие векторы и возвращает соответствующие им фрагменты текста. Эти фрагменты передаются LLM как контекст для формирования ответа. Важно: embedding не преобразуется обратно в текст — исходный текст хранится рядом с вектором.