余弦相似度本质是向量夹角余弦值，公式为 dot(a,b)/(norm(a)*norm(b))；需检查向量等长、避免零向量除零、用 double 计算并显式处理分母为 0 情况。
用 std::inner_product 和 std::sqrt 手动实现最直接
余弦相似度本质是向量夹角的余弦值，公式为：dot(a,b) / (norm(a) * norm(b))。C++ 标准库没提供现成函数，但 std::inner_product 可算点积，std::sqrt 和 std::accumulate 配合能算模长。注意：两个向量必须等长，否则行为未定义。
实操建议：
- 先检查
a.size() == b.size()，避免越界或静默错误 - 用
double类型计算，避免float累加误差导致分母接近 0 时结果异常（如nan或inf） - 点积和模长平方可一次遍历完成，但标准算法清晰优先，除非性能敏感场景
处理零向量必须显式判断，否则会除零
当任一向量所有元素全为 0 时，其模长为 0，直接除会导致 nan 或浮点异常。标准余弦相似度对零向量无定义，但工程中常约定返回 0 或 -1，需按业务决定。
常见错误现象：
立即学习“C++免费学习笔记（深入）”；
- 输入
{0,0,0}和{1,2,3}，程序输出nan而非报错或合理默认值 - 用
std::isnormal()检查结果前，没先验证分母是否为 0
推荐做法：计算前加判断
if (norm_a == 0.0 || norm_b == 0.0) return 0.0; // 或抛异常、返回 NaN，视需求而定
用 Eigen 库时别忘了归一化和类型匹配
如果项目已引入 Eigen，可用 .dot() 和 .norm()，但要注意默认不自动归一化，且 Eigen::VectorXf 与 Eigen::VectorXd 混用会编译失败。
使用场景：
- 批量计算多个向量对时，
Eigen的向量化优化比手写循环快 - 矩阵运算密集场景（如 embedding 相似度检索），建议统一用
VectorXd避免隐式转换开销 -
.normalized()返回新对象，原向量不变；若反复调用，可提前缓存归一化结果
性能关键路径上避免重复计算模长
当一个向量要和成百上千个其他向量比相似度（如推荐系统召回），它的模长只需算一次。手写循环时容易每轮都重算 norm_a，浪费 CPU。
参数差异与优化点：
- 传入
const std::vector<double>&</double>而非值拷贝，避免构造临时对象 - 把
norm_a提到外层循环外，内层只算dot(a,b)和norm_b - 若向量维度固定（如 768 维 embedding），考虑用
std::array<double></double>替代vector，启用编译器向量化
复杂点往往不在公式本身，而在零向量边界、浮点精度累积、以及高频调用时的内存访问模式——这些地方不加日志很难复现问题。
