Un embedding è la traduzione di un testo (o immagine, o audio) in un vettore di numeri, costruito così che la vicinanza geometrica corrisponda alla vicinanza di significato: "gatto" e "felino" finiscono vicini, "gatto" e "carburatore" lontani. È il modo in cui si dà alla macchina una nozione operativa di "parla della stessa cosa".
Usi concreti: la ricerca semantica (trova i documenti rilevanti anche senza parole in comune – il cuore del RAG), deduplicazione, clustering, raccomandazioni. In pratica: un modello di embedding (locale via Ollama o API), un indice vettoriale dove cercare, e la scelta di design vera – ibridare vettori e ricerca full-text classica, perché ciascuna trova cose che l'altra manca. È esattamente il retrieval ibrido opzionale di l0-memory.