**Encoder（编码器）** 是神经网络中负责把原始输入——文本、图片、音频——压缩成向量的部分，这个向量抓住了输入的语义，方便模型后续处理。它的输出通常称为 embedding 或隐藏表示（hidden representation）。 Encoder 之所以重要，是因为现代 AI 系统几乎都离不开它。BERT 就是纯 encoder 模型，广泛用于搜索、分类和相似度计算；CLIP 则用两个 encoder 分别处理图片和文本，把它们映射到同一个向量空间。在 encoder-decoder 架构（最初的 Transformer、T5、大多数翻译模型）中，encoder 负责读懂源输入，decoder 负责生成输出。 一个直观的比喻：你要翻译一段文章，会先仔细读过、在脑中形成理解——这就是 encoder 在做的事；接着根据这份理解写出译文——这是 decoder。中间那份「脑中的理解」就是编码后的表示：不是原文字本身，但足以让你重现或处理它。 现代 decoder-only 的 LLM（如 GPT、Claude）虽然没有独立的 encoder 模块，但前几层其实也在做类似的事，把 token 转成富含上下文的表示。 延伸阅读：decoder、embedding、Transformer、BERT、encoder-decoder 架构、attention 机制。