纯业务语言，讲清楚欧氏距离适用场景，同时划清边界

先记住核心特性：欧氏距离同时看两件事：特征的方向 + 特征数值大小；距离越小，代表样本越接近。短板：对“描述长短、特征量级差异”很敏感，不适合自由文本语义匹配。

一、适合使用欧氏距离的典型业务场景

举例1（供应链备件）：每个备件有一组指标：月均需求、需求波动CV、采购提前期、最小起订量。我们想把属性相近的备件分到同一类（ABC/XYZ聚类）。两个备件各项指标数字大小都接近，才认为是同类。 → 适合欧氏距离。

举例2（客户分层）：客户画像：年采购额、订货频次、平均账期、退货率。两家客户不仅业务特征趋势相同，各项指标体量接近，才归为同类客户。

逻辑：我们不光想看“趋势像不像”，还要求各项指标数值大小也接近。

比如备件需求预测：真实销量向量 [120,95,60] 模型预测值 [115,98,63] 计算两者欧氏距离，衡量预测曲线和真实曲线贴合程度。

仓库选址、物流网点匹配。坐标就是二维特征，两点直线距离本身就是欧氏距离原生场景。

图片识别场景。图像向量包含像素强弱信息，既要方向也要数值幅度，常用欧氏距离。

所有自由文本语义匹配场景 工单文本、异常描述、搜索匹配：短句【配件缺货】VS长句【大量汽车零部件库存不足，急需安排补货】含义一致，但信息量不同、向量长度/数值幅度有差距。欧氏距离会判定两者差距很大，造成匹配失败。

方式	判断核心	优先选用场景	不适合场景
欧氏距离	特征方向 + 数字大小都要接近	结构化数值聚类、备件指标分类、坐标点位、时序拟合对比、客户量化画像	长短不一的自然文本语义检索
余弦相似度	只看特征整体方向（语义），不在乎数值幅度	工单模糊匹配、文本检索、问答、语义相似度判断	需要对比指标量级大小的场景

当业务判断标准是：两组对象不仅特征趋势相似，各项指标数值大小也要接近，就用欧氏距离；如果只关心表达含义、不在乎描述长短、数据体量，选用余弦相似度。

备件A：月需求100，波动0.2 备件B：月需求98，波动0.21 备件C：月需求1000，波动0.2

A和C：波动趋势一致（余弦相似度很高），但是需求量规模差距巨大。如果做备件库存策略分类：你肯定不希望A和C归为一类！ 👉 这时必须用欧氏距离，识别体量差异，把两者分开。