Teal HQ是一个AI求职平台，帮你优化简历内容、匹配职位、准备面试问题，提升求职效率。本文分析它的产品功能设计、AI应用架构和用户体验优化思路。适合做AI应用产品、关注求职招聘赛道的同学参考阅读学习使用。文中配有详细的代码示例、参数说明和最佳实践建议，帮助你快速上手并避免常见坑。读完本文你将掌握核心概念、技术原理和实际操作方法。

岗位关联

需要学习Teal HQ AI求职，这是你的核心专业课，LangChain/RAG/Agent是你的日常工具。本篇涵盖LangChain/RAG/Agent、API集成、向量数据库，帮助你构建AI应用系统能力。

目录
  1. 可视化演示
  2. s1. Teal HQ产品总览与AI求职平台架构
  3. s2. AI简历内容优化与匹配度分析
  4. s3. 智能职位匹配与推荐引擎设计
  5. s4. 面试问题准备与AI模拟面试
  6. s5. 求职工作流管理与数据驱动优化
  7. s6. Teal HQ与Rezi及Kickresume的差异化对比
  8. AI 应用场景
  9. Python 演示
  10. 常见问答
  11. 常见误区
  12. 参考来源

可视化演示

展示双向向量匹配引擎（用户档案↔职位描述余弦相似度）、AI简历五段优化分析、以及Kanban求职看板六阶段流程。切换模式探索AI辅助求职技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

双向向量匹配引擎架构 用户档案和职位描述分别编码到同一向量空间，余弦相似度计算语义匹配度 双向搜索：从JD需求找匹配用户，也从用户能力找匹配职位，两个方向同时推荐 similarity = cos(user_vector, job_vector) 双向匹配是Teal HQ的核心引擎

s1. Teal HQ产品总览与AI求职平台架构

Teal HQ是一款围绕「双向匹配引擎」构建的AI求职平台，其核心架构由三层协同模块组成：用户职业档案层、职位数据库层和AI匹配引擎层。用户职业档案层负责采集和结构化存储用户的技能、工作经历、教育背景及职业偏好；职位数据库层持续抓取和清洗来自多个招聘平台的职位信息；AI匹配引擎层则通过向量化表示和语义分析，计算用户画像与职位需求之间的匹配度，形成从「档案建立→职位发现→智能匹配→简历优化→面试准备」的完整求职闭环。

Chrome扩展插件是Teal HQ连接用户日常工作流的关键入口。插件架构包含三个核心模块：页面内容提取器（负责从LinkedIn、Indeed等招聘网站解析JD结构化信息）、实时匹配计算模块（调用后端API获取匹配度评分）以及侧边栏UI渲染层（以浮层形式展示匹配结果和优化建议）。插件采用Content Script + Background Service Worker + Popup的三层架构，确保在不打断用户浏览体验的前提下提供实时分析能力。

用户职业档案的数据建模采用图结构表示，以「技能节点」为核心，通过有向边关联工作经历、项目成果和教育背景。每个技能节点包含熟练度权重、使用时间衰减因子和上下文标签。这种建模方式使得系统不仅能理解用户「会什么」，还能推断「擅长什么」以及「适合什么」，为后续的语义匹配和职业路径推荐提供丰富的结构化数据基础。档案模型支持增量更新，用户每次保存新简历或添加工作经历时，图谱自动扩展并重新计算关联权重。

s2. AI简历内容优化与匹配度分析

Teal HQ的简历优化模块基于LLM的逐段分析能力，将简历拆解为「个人信息→职业摘要→工作经历→技能清单→教育背景」五个功能段，每段使用专门设计的Prompt模板进行分析。以工作经历段为例，Prompt要求LLM从「量化成果缺失」「动词力度不足」「关键词覆盖率」「与目标JD的语义相关性」四个维度进行评分，并生成具体的改写建议。提示词设计中采用了Chain-of-Thought策略，要求模型先识别JD中的核心需求，再逐条对照简历内容，最后输出结构化的优化建议。

语义匹配度评分算法采用多层加权机制：第一层基于TF-IDF的关键词精确匹配，计算简历与JD的词汇重叠度；第二层基于预训练语言模型的语义向量相似度，捕捉同义表达和隐含技能关联；第三层由LLM进行推理级别的匹配分析，识别经验可迁移性。最终评分公式为：Score = w1*TF-IDF + w2*Semantic_Sim + w3*LLM_Ratio，其中权重根据职位类别动态调整。

优化建议的优先级排序采用「影响力-难度度」二维矩阵。高影响力且容易实现的建议（如补充缺失关键词）排在最前面，而需要大幅改写但影响深远的建议（如重构项目描述以突出量化成果）排在中间，低影响力或需要大量额外信息的建议排在最后。简历版本A/B测试功能允许用户同时维护多个简历版本，系统自动追踪每个版本在不同职位申请中的响应率，通过数据反馈持续优化简历策略。

匹配度综合评分
S=w1⋅Rtfidf+w2⋅Rsemantic+w3⋅RllmS = w_1 \cdot R_{\text{tfidf}} + w_2 \cdot R_{\text{semantic}} + w_3 \cdot R_{\text{llm}}
匹配度综合评分由TF-IDF重叠率、语义相似度和LLM理性评分三部分加权组成。
优化建议优先级
P=I1+EP = \frac{I}{1 + E}
优先级P等于影响度I除以(1+实施难度E)，影响越大、实施越容易的建议优先级越高。

s3. 智能职位匹配与推荐引擎设计

Teal HQ的职位匹配引擎采用双向向量化架构：用户职业档案和职位描述分别通过编码器映射到同一向量空间，然后使用余弦相似度计算两者的语义距离。双向向量化的「双向」体现在：不仅从JD需求出发搜索匹配的用户，也从用户能力出发搜索匹配的职位，两个方向的匹配结果取交集后进入排序阶段。向量编码器基于领域微调的Sentence-BERT模型，训练数据包含大量真实的「技能-职位要求」配对。

LLM推理辅助排序是在向量检索基础上的精排环节。当向量检索返回Top-50候选职位后，LLM对每个候选进行深度分析：评估用户经历中哪些项目与目标职位最相关、识别可迁移但表述不同的技能、判断职业发展路径的合理性。LLM排序的输出不仅是一个分数，还包含一段自然语言的匹配理由，帮助用户理解为什么系统推荐这个职位。

匹配差距分析模块将匹配结果拆解为「已满足需求」「部分满足需求」「缺失需求」三个层次，并为每个缺失项提供弥补建议。例如，如果JD要求「具备A/B测试经验」而用户档案中没有直接提及，系统会检查是否有「数据分析」「用户研究」等相关经验可以迁移。多目标优化考虑匹配度、薪资期望、地理位置、公司规模等多个维度，使用帕累托最优方法找到综合最优的职位推荐集合。

余弦相似度
cos⁡(θ)=u⋅j∥u∥⋅∥j∥\cos(\theta) = \frac{\mathbf{u} \cdot \mathbf{j}}{\|\mathbf{u}\| \cdot \|\mathbf{j}\|}
用户向量u与职位向量j的余弦相似度，值域[0,1]，越接近1表示匹配度越高。
多目标优化
Stotal=wm⋅M+ws⋅Ssalary+wg⋅GS_{\text{total}} = w_m \cdot M + w_s \cdot S_{\text{salary}} + w_g \cdot G
综合分数由匹配度M、薪资符合度S和地理便利度G加权求和，用户可调整权重w。

s4. 面试问题准备与AI模拟面试

定制化面试题库的生成基于三层Prompt设计：第一层分析目标职位的JD，提取核心技术要求、软技能要求和行业特征；第二层结合用户的职业档案，识别可能的「被追问点」（如职业空窗期、频繁跳槽、跨行业转型）；第三层根据目标公司的面试风格（通过历史面试经验分享数据训练），生成最可能出现的面试问题。每道题目附带考察意图、期望回答结构和评分标准。

多轮对话管理采用状态机模型，模拟真实面试的推进逻辑。初始状态为「自我介绍」，根据用户回答动态跳转到「技术深挖」「行为面试」「情景模拟」等子状态。追问逻辑基于用户回答的完整度和深度自动触发：如果用户回答缺少具体数据支撑，系统追问「能否用具体数字说明成果？」；如果回答偏离问题核心，系统温和引导回主题。状态机包含最多3层追问深度，避免过度追问导致体验下降。

STAR框架检测模块自动分析用户的回答是否包含Situation（情境）、Task（任务）、Action（行动）、Result（结果）四个要素。检测算法使用NER（命名实体识别）和关系抽取技术，从回答文本中识别时间线、角色、具体行动和量化结果。结构化评分从「内容完整度」「表达清晰度」「数据支撑度」「与问题相关度」四个维度打分，每个维度1-5分，总分20分。反馈即时生成，在用户完成回答后3秒内输出评分和改进建议。

STAR结构化评分
SSTAR=ws⋅Sit+wt⋅T+wa⋅A+wr⋅RS_{\text{STAR}} = w_s \cdot S_{it} + w_t \cdot T + w_a \cdot A + w_r \cdot R
STAR框架四要素独立评分，各25分，总分100分。S为情境、T为任务、A为行动、R为结果。
面试综合评分
Sinterview=0.3C+0.3D+0.2L+0.2ES_{\text{interview}} = 0.3C + 0.3D + 0.2L + 0.2E
面试综合评分由内容清晰度C(30%)、数据支撑D(30%)、逻辑性L(20%)和表达力E(20%)组成。

s5. 求职工作流管理与数据驱动优化

Teal HQ的求职看板采用Kanban风格的状态管理，将求职流程拆解为「发现→研究→投递→面试→Offer→入职」六个标准阶段，用户也可自定义阶段。每个职位卡片包含丰富的元数据：投递日期、最后跟进时间、联系人信息、面试安排、个人备注等。看板状态管理的关键设计在于「自动状态流转」：当用户在Chrome插件中保存了一个职位，系统自动创建卡片并标记为「发现」状态；当用户通过该职位的链接提交了申请，系统检测到表单提交行为后自动流转到「投递」状态。

投递转化率漏斗分析是Teal HQ数据驱动优化的核心功能。系统将求职过程建模为六阶段漏斗：浏览职位→保存职位→定制简历→提交申请→获得面试→拿到Offer。每个阶段的转化率被实时追踪，并与同职位、同行业、同经验年限的基准数据进行对比。当某个阶段的转化率显著低于基准时，系统自动触发诊断分析，定位可能的原因并给出优化建议。

数据驱动策略优化基于历史求职数据的统计分析。系统发现的关键规律包括：针对每个职位定制简历的求职者，面试邀请率比海投策略高3倍；在投递后48小时内主动跟进的求职者，面试转化率高出25%；周三和周二投递的申请获得回复的概率最高。自动化工作流功能允许用户设置触发规则，例如「当职位状态变为面试时，自动生成面试准备清单并发送提醒」。

环节转化率
CRi=NnextNi×100%CR_i = \frac{N_{\text{next}}}{N_i} \times 100\%
第i环节的转化率等于进入下一环节的人数除以进入本环节的人数。
求职效率指数
E=NofferNapply×1dˉE = \frac{N_{\text{offer}}}{N_{\text{apply}}} \times \frac{1}{\bar{d}}
求职效率等于Offer数除以投递数，再除以平均响应天数的倒数，综合衡量转化速度和数量。

s6. Teal HQ与Rezi及Kickresume的差异化对比

Teal HQ、Rezi和Kickresume代表了AI求职工具的三种不同定位。Teal HQ定位为「平台化AI求职助手」，围绕双向匹配引擎构建了从职位发现到入职跟进的完整闭环；Rezi定位为「AI简历生成工具」，核心能力是基于JD自动生成优化简历；Kickresume定位为「设计导向的简历和求职信制作平台」，强项在于模板设计和视觉呈现。从产品架构看，Teal HQ是一个数据密集型平台，用户数据在系统中持续积累和迭代；Rezi和Kickresume更接近工具型产品，用户完成任务后离开。

AI能力深度对比显示三个层次差异：第一层是「文档生成AI」（Rezi和Kickresume的主要能力），基于模板和LLM生成简历文本；第二层是「分析优化AI」（Teal HQ的简历优化模块），能理解JD语义并针对性优化；第三层是「决策辅助AI」（Teal HQ的匹配引擎和面试教练），能进行多维度的求职策略推荐。数据闭环价值是Teal HQ的核心壁垒：用户的每次投递、每次面试反馈、每次简历调整都被系统记录，形成个人求职知识图谱，随着使用时间增长，推荐精准度持续提升。

选型推荐需要综合考虑求职阶段和需求特征。对于「正在积极求职、需要全方位支持」的用户，Teal HQ是最优选择，其平台化能力覆盖了求职全流程；对于「简历质量差、需要快速生成专业简历」的用户，Rezi的AI生成能力更高效；对于「注重简历视觉设计、申请创意类岗位」的用户，Kickresume的模板库更有优势。企业级场景下，Teal HQ的团队协作功能和求职数据分析能力使其成为职业咨询机构和高校就业中心的理想工具。

AI 应用场景

AI驱动的职位匹配与简历动态优化闭环

阶段：数据采集 → 向量化编码 → 语义匹配 → 差距分析 → 简历优化 → 重新匹配

解决的问题：求职者在海量职位中难以快速找到匹配度高的机会，且简历与JD之间的语义鸿沟导致大量优质申请被ATS系统过滤。传统简历工具只能提供静态模板，无法根据目标职位动态调整内容策略。

具体案例：求职者在Chrome扩展中浏览LinkedIn上的产品经理职位，插件自动提取JD关键信息并调用匹配引擎，计算当前简历与该职位的匹配度为78分。系统分析出缺失项：「数据驱动决策」「A/B测试经验」「跨部门协作」三个关键词。用户点击一键优化后，LLM重新组织工作经历描述，将「负责产品迭代」改写为「通过A/B测试驱动3次关键产品迭代，用户留存率提升12%」。优化后匹配度提升至89分，系统同时生成针对该职位的定制化面试题库，包含15道高概率面试题。

AI模拟面试与回答质量评估反馈

阶段：职位分析 → 题库生成 → 多轮对话模拟 → STAR框架检测 → 结构化评分 → 即时反馈

解决的问题：求职者缺乏高质量的面试练习机会，尤其是针对特定职位的定制化练习。传统面试准备依赖面经分享和通用技巧，无法针对个人经历和目标职位提供个性化指导。面试后缺乏客观、结构化的反馈帮助改进。

具体案例：用户准备某科技公司高级产品经理面试，系统基于JD和用户档案生成20道定制化面试题。模拟面试中，AI提问「请描述一个你通过数据洞察推动产品决策的案例」。用户回答后，系统检测STAR框架完整度：Situation(4/5)、Task(3/5)、Action(5/5)、Result(2/5)，发现结果部分缺少量化数据。系统即时反馈：「你的行动描述很清晰，但结果部分建议补充具体数据，如DAU增长率、收入提升比例等。参考改写：最终DAU从50万提升至80万，季度收入增长15%」。

Python 演示

python83 行
import mathimport refrom collections import Counter def tokenize(text):    """文本分词与预处理"""    text = text.lower()    tokens = re.findall(r'[a-z\u4e00-\u9fff]+', text)    return tokens def compute_tfidf(documents):    """计算TF-IDF矩阵"""    idf = {}    total_docs = len(documents)    all_words = set()    doc_word_sets = []    for doc in documents:        words = set(tokenize(doc))        doc_word_sets.append(words)        all_words.update(words)    for word in all_words:        df = sum(1 for ws in doc_word_sets if word in ws)        idf[word] = math.log(total_docs / (1 + df))    tfidf_vectors = []    for doc in documents:        tokens = tokenize(doc)        tf = Counter(tokens)        max_tf = max(tf.values()) if tf else 1        vector = {}        for word, count in tf.items():            vector[word] = (count / max_tf) * idf.get(word, 0)        tfidf_vectors.append(vector)    return tfidf_vectors, idf def cosine_similarity(vec_a, vec_b):    """计算两个稀疏向量的余弦相似度"""    all_keys = set(vec_a.keys()) | set(vec_b.keys())    dot_product = sum(vec_a.get(k, 0) * vec_b.get(k, 0) for k in all_keys)    norm_a = math.sqrt(sum(v ** 2 for v in vec_a.values()))    norm_b = math.sqrt(sum(v ** 2 for v in vec_b.values()))    if norm_a == 0 or norm_b == 0:        return 0.0    return dot_product / (norm_a * norm_b) def keyword_overlap_score(resume_text, jd_text):    """计算关键词重叠度"""    resume_tokens = set(tokenize(resume_text))    jd_tokens = set(tokenize(jd_text))    if not jd_tokens:        return 0.0    overlap = resume_tokens & jd_tokens    return len(overlap) / len(jd_tokens) def semantic_match_score(resume_text, jd_text):    """综合语义匹配度评分"""    documents = [resume_text, jd_text]    tfidf_vecs, idf = compute_tfidf(documents)    tfidf_sim = cosine_similarity(tfidf_vecs[0], tfidf_vecs[1])    keyword_score = keyword_overlap_score(resume_text, jd_text)    combined_score = 0.6 * tfidf_sim + 0.4 * keyword_score    return round(combined_score * 100, 1) def analyze_match_gaps(resume_text, jd_text):    """分析匹配差距"""    resume_tokens = set(tokenize(resume_text))    jd_tokens = set(tokenize(jd_text))    matched = resume_tokens & jd_tokens    missing = jd_tokens - resume_tokens    return {        "matched_keywords": list(matched)[:10],        "missing_keywords": list(missing)[:10],        "coverage_rate": round(len(matched) / max(len(jd_tokens), 1) * 100, 1)    } if __name__ == "__main__":    sample_resume = "产品经理 5年经验 负责用户增长 A/B测试 数据分析 跨部门协作 Python SQL"    sample_jd = "高级产品经理 数据驱动 A/B测试 用户研究 跨部门协作 机器学习 产品策略 Python"    score = semantic_match_score(sample_resume, sample_jd)    gaps = analyze_match_gaps(sample_resume, sample_jd)    print(f"匹配度评分: {score}分")    print(f"关键词覆盖率: {gaps['coverage_rate']}%")    print(f"已匹配关键词: {gaps['matched_keywords']}")    print(f"缺失关键词: {gaps['missing_keywords']}")
目的：实现简历与职位描述(JD)之间的语义匹配度分析，包括TF-IDF向量化、余弦相似度计算、关键词重叠度分析和匹配差距识别，为求职者提供量化的匹配度评分和优化方向。
  1. def tokenize(text):
  2. tokens = re.findall(r'[a-z\u4e00-\u9fff]+', text)
  3. def compute_tfidf(documents):
  4. idf[word] = math.log(total_docs / (1 + df))
  5. vector[word] = (count / max_tf) * idf.get(word, 0)
  6. def cosine_similarity(vec_a, vec_b):
  7. dot_product = sum(vec_a.get(k, 0) * vec_b.get(k, 0) for k in all_keys)
  8. return dot_product / (norm_a * norm_b)
  9. def keyword_overlap_score(resume_text, jd_text):
  10. combined_score = 0.6 * tfidf_sim + 0.4 * keyword_score
  11. return round(combined_score * 100, 1)
  12. def analyze_match_gaps(resume_text, jd_text):
  13. missing = jd_tokens - resume_tokens

常见问答

Teal HQ的「双向匹配引擎」与传统招聘平台的搜索功能有什么本质区别？
传统招聘平台的搜索功能基于关键词匹配，用户输入条件、系统返回结果，是单向的检索过程。Teal HQ的双向匹配引擎同时将用户档案和职位描述向量化到同一语义空间，不仅从JD出发找匹配用户，也从用户出发找匹配职位，两个方向的结果取交集。更重要的是，它使用语义向量而非精确关键词进行匹配，能识别「用户增长」和「Growth Hacking」这类同义表达。
Chrome扩展在Teal HQ的架构中扮演什么角色？为什么不直接在网页端完成所有功能？
Chrome扩展是Teal HQ连接用户「自然求职行为」的桥梁。求职者在LinkedIn、Indeed等平台浏览职位是自然行为，扩展插件在这个自然流程中「无感」嵌入匹配分析能力，自动提取JD信息并计算匹配度。如果要求用户必须先到Teal HQ网页再搜索职位，会打断用户已有的工作流，增加使用摩擦。扩展插件的核心价值在于「在用户已经在的地方提供帮助」。
AI模拟面试的STAR框架检测是如何判断用户回答中是否包含Result要素的？
STAR框架中的Result要素检测主要依赖三个信号：一是量化数据识别，通过正则表达式和NER技术检测回答中的数字、百分比、金额等量化表达；二是结果性动词识别，如「提升」「降低」「增加」「实现」等表示成果的词；三是时间对比结构识别，如「从X提升到Y」「增长了Z%」等对比模式。如果回答中缺少这三类信号，系统会判定Result要素不完整，并建议用户补充量化成果。
求职漏斗分析中，如果某用户「投递→面试」阶段的转化率远低于行业基准，系统会如何诊断？
系统会按照「简历质量→投递策略→外部因素」三层进行诊断。首先检查简历匹配度评分，如果简历与目标职位的平均匹配度低于60分，说明简历针对性不足；其次分析投递策略，是否存在海投行为（短时间内大量投递不同方向职位）；最后排除外部因素，如目标行业是否处于招聘淡季。根据诊断结果，系统会给出针对性建议，如「建议为每个目标职位定制简历」「建议缩小求职方向聚焦在2-3个领域」。
Teal HQ相比Rezi的核心优势是什么？在什么场景下应该选择Rezi而非Teal HQ？
Teal HQ的核心优势在于「数据闭环」和「全流程覆盖」：用户的每次投递、面试反馈都积累为个人求职知识图谱，推荐精准度随使用时间提升；且覆盖从职位发现到入职的完整链路。Rezi的优势在于「快速生成高质量简历」，如果用户只需要一份针对特定JD优化的简历，不需要职位匹配和面试准备功能，Rezi的专注度和生成速度更优。简言之，需要全流程支持选Teal HQ，只需快速生成简历选Rezi。

常见误区

误区Teal HQ就是一个简历工具加了职位搜索功能

正解Teal HQ的核心不是简历编辑或职位搜索，而是围绕「双向匹配引擎」构建的AI求职平台。简历优化只是匹配引擎的输出之一，系统还会进行匹配差距分析、面试题库生成、求职漏斗优化等。它本质上是一个数据驱动的求职决策系统，简历工具和职位搜索只是数据输入和输出的界面。

为何常见：用户最容易感知到的是简历编辑和职位列表这两个可见功能，而匹配引擎、向量化计算、数据闭环等核心能力运行在后台不易被直接观察到，导致用户用传统工具的认知框架来理解平台型产品。

误区AI模拟面试可以完全替代真人面试练习

正解AI模拟面试擅长提供结构化的题目练习、STAR框架检测和即时反馈，在「准备阶段」价值显著。但它无法模拟真人面试官的追问深度、非语言信号（表情、语气变化）、压力面试场景以及即兴互动。最佳实践是将AI模拟面试作为「基础训练」，在获得Offer前至少进行2-3次真人模拟面试来适应真实面试的互动节奏。

为何常见：AI模拟面试的体验越来越逼真，容易让用户产生「已经足够」的错觉。实际上AI面试和真人面试的差异类似于「驾驶模拟器」和「实际上路」的关系，前者适合练习基础操作，后者才能培养真实场景的应变能力。

误区求职数据分析中转化率低一定是简历质量问题

正解求职漏斗的每个环节都可能成为瓶颈。如果「浏览→投递」转化率低，可能是目标职位定位不清晰；如果「投递→面试」转化率低，才更可能是简历质量问题；如果「面试→Offer」转化率低，问题可能在面试技巧或岗位匹配度。必须结合各环节数据综合分析，才能定位真实原因并制定针对性优化策略。

为何常见：简历是求职者最容易自我审视和归因的环节，当求职不顺利时，直觉反应是「简历不够好」。实际上求职是系统工程，任何一个环节的短板都可能导致整体转化率低，需要数据驱动的诊断而非主观归因。

参考来源

  • official_websiteTeal HQ - AI-Powered Job Search PlatformTeal HQ官方网站，提供产品功能介绍、Chrome扩展下载和AI求职工具使用指南，包含双向匹配引擎、简历优化、面试准备等核心功能的详细说明。
  • official_documentationTeal HQ Chrome Extension - Web StoreTeal HQ Chrome扩展的官方文档和使用说明，详细描述扩展的架构设计、JD解析能力和实时匹配分析功能的技术实现。
  • reference_materialSTAR Method - Interview TechniqueSTAR面试方法的维基百科条目，详细介绍Situation-Task-Action-Result框架在行为面试中的应用，是Teal HQ面试模拟模块的理论基础。
  • research_paperSentence-BERT: Sentence Embeddings using Siamese BERT-NetworksSentence-BERT论文，介绍基于Siamese BERT网络的句子嵌入方法，是Teal HQ向量化匹配引擎中语义编码器的技术基础。