把大模型从演示变成能值班的系统时，02 向量与点积的几何直觉几乎总会先露出工程缺口。下面按可执行的顺序来拆：先讲它解决什么、卡在哪，再讲选型时看哪些数字，最后落到智能体和网关该怎么接。本文面向要上线的工程师，不写空泛趋势。

一、从一支箭开始

「点积是注意力的灵魂。」——这句话在 Transformer 火起来之后变成了一句俗话。但很多人会用点积，会写代码 torch.matmul(Q, K.transpose(-2, -1)) ，却说不清楚 为什么是点积 ——为什么不是欧氏距离、不是绝对值差、不是 KL 散度。这一篇就是为这个「为什么」准备的。

在二维平面上画一支从原点出发的箭，箭的尾巴在 ((0, 0)) ，箭的头落在 ((3, 2)) 。这支箭就是一个 向量（vector） ，记作 (mathbf{a} = (3, 2)) 。

二、向量的三个量：长度、方向、夹角

向量比「点」多了一个东西： 方向 。点 ((3, 2)) 和点 ((0, 0)) 之间的关系是「位置不同」；而向量 ((3, 2)) 不仅有位置，还隐含「从 (0, 0) 指向 (3, 2)」这条路径。这种「位置 + 方向」的双重身份，是后面所有讨论的基础。

我特意从「箭」这个比喻开始，是因为它能避免一个常见误解： 很多初学者把向量等同于「一列数字」 。代码里看到的 [3, 2, 1, 5, 8] 是向量在某个坐标系下的表示，但向量本身是更抽象的「带方向的量」。这种区分在前两年看起来无所谓，但当你后面遇到「同一个向量在不同基底下有不同坐标」「向量空间没有自然坐标」之类的话题时，没有这个区分会让你混乱很久。

三、点积的代数定义：最朴素的版本

不过对这里，我们就停留在「向量 ≈ 一列数字 + 一个箭头比喻」的层面。这个层面足够用很久。

我们再画两支箭。一支是 (mathbf{a} = (3, 2)) ，另一支是 (mathbf{b} = (1, 1)) 。它们都从原点出发，但方向不同、长度不同。把它们画在同一个坐标系里，肉眼可以看到： 它们『差不多指着同一个方向』，但又不完全重合 。这种「差不多」的程度，正是我们想要量化的东西。

四、点积的几何定义：两个等价的视角

如果你现在还没有动笔在草稿纸上画这两支箭，请放下手机/合上电脑屏幕，找一张纸，画一下。我说的不是开玩笑。这里后面所有关于「点积、夹角、投影」的讨论，都建立在你脑子里有「两支箭」这个画面之上。如果没有这个画面，公式只是符号；有了这个画面，公式是可视的事实。

一支箭最直接的属性是它的 长度 ，记作 (|mathbf{a}|) 或 (|mathbf{a}|) 。在二维里，长度由勾股定理给出：

五、为什么这个等价如此重要

[ |mathbf{a}| = sqrt{a_1^2 + a_2^2} ]

对 (mathbf{a} = (3, 2)) ，长度是 (sqrt{9 + 4} = sqrt{13} approx 3.61) 。这个长度告诉我们「这支箭有多长」，但不告诉「指向哪里」。

六、投影：点积的另一个解读

方向 这件事，在数学上有一个干净的处理方式： 单位化（normalize） 。把向量除以自己的长度，就得到一个长度为 1 但方向不变的向量：

[ hat{mathbf{a}} = frac{mathbf{a}}{|mathbf{a}|} ]

落地时建议先做的 5 件事

1. 用自己的 20 条真实请求测 TTFT / TPOT / 失败原因，不要只看公开榜。
2. 先写显存和 KV 缓存账，再决定卡数、量化和并发上限。
3. 网关层把鉴权、配额、审计和模型路由收口，应用里不要各接各的 Key。
4. 工具调用默认拒绝，按白名单放开，高风险动作必须人审。
5. 模型升级准备回滚：旧权重、旧 Prompt、旧评测集要能一键切回。

和智能体产品怎么接

对龙虾PRO这类要把 OpenClaw 落到中国业务场景的平台来说，02 向量与点积的几何直觉决定的是延迟能不能进对话、成本能不能规模化、出了问题能不能追溯。技能市场、数字员工和网关都应该吃同一套观测与权限，而不是文章里的概念演示。

本文侧重智能体生命周期与技能边界。若你要动手验证，优先用 Playground 做小任务压测；权限与托管再单独规划，避免「先装一堆再治理」。 相关：Playground · 创建智能体 · 学习中心