我们之前讲的搭建本地知识库，基本都是使用检索增强生成（RAG）技术来搭建，Embedding模型则是RAG的核心，同时也是大模型落地必不可少的技术。那么今天我们就来聊聊Embedding向量模型：Embedding模型是一种将离散数据（如文本、图像、用户行为等）映射到连续向量空间的技术。其核心思想是通过低维稠密向量（Embedding）捕捉数据的内在特征和语义关系。用通俗易懂一些的说法就是Embedding给数据穿上了一件“数字外衣”，把离散数据（如文本、图像、用户行为等）转化成一组数字，即向量来表示，目的是让机器更好的理解和处理。或者说，Embedding模型就是一个“翻译官”，能把文字、图片、用户行为这些东西，变成一串计算机能看懂的数字。比如：它能知道“猫”和“狗”都是宠物，所以它们的数字串很像；但“猫”和“西瓜”差别大，数字串就离得远。
干啥用？比如让手机听懂你说的话，或者让淘宝猜你喜欢什么商品。
在本地知识库搭建中，我们关注的重点是文本Embedding，它能把文本信息变成计算机更容易理解和处理的向量模型。Embedding模型的原理就像“猜词游戏”：
比如你和朋友聊天，朋友说：“我今天买了一只__，它会喵喵叫”，你肯定猜是“猫”。Embedding模型就是通过大量这样的句子，学会哪些词经常一起出现，然后把它们变成相似的数字串。
方法举例：
Word2Vec：像小学生背单词，记“苹果”和“水果”是相关的。
BERT（比如ChatGPT的基础）：像学霸，联系上下文猜词，比如“银行”在“存钱”和“河边”两种句子中意思不同。
常见的向量化方法包括：
| 1、TF-IDF：基于词频统计。 2、LSA：对词-文档矩阵进行奇异值分解（SVD）。 |
| 1、Word2Vec：Skip-Gram/CBOW（适合通用语义）。 2、FastText：引入子词（subword）信息，解决未登录词问题。 3、GloVe：结合全局词共现统计与局部上下文窗口。 |
| BERT：动态生成基于上下文的向量（如“bank”在“河岸”和“银行”中不同）。 |
| Node2Vec：将图节点映射为向量，保留网络结构特征。 2、 |
非文本领域：如推荐系统中使用矩阵分解（MF）生成用户/物品向量。
Embedding 模型在本地知识库中的作用，可以理解为用“数字密码”将本地文件（如文档、笔记、数据库）转化为计算机能理解的形式，从而快速实现搜索、问答、分类等功能。把本地知识库中的文档（如PDF、Word、Excel、笔记）转化为向量，方便后续搜索。 | 将长文档拆分成小段落（如每段200-500字），避免信息过载。
示例：一篇10页的“咖啡研究报告” → 拆成30个小段落。 |
| |
| 用轻量级模型（如 text2vec、m3e-base），适合本地运行。 |
| 用领域微调模型（如法律用Law-Embedding，医学用 BioBERT） |
对每个文本段落调用Embedding模型，生成对应的向量（一串数字）。# 伪代码：用 text2vec 生成向量from text2vec import SentenceModelmodel = SentenceModel("shibing624/text2vec-base-chinese")text = "咖啡因可以提神，但过量会导致心悸。"vector = model.encode(text) # 输出示例：[0.3, -0.2, 0.8, ...] | |
| 轻量级：FAISS（适合小数据，快速检索）。 大规模：Milvus、Qdrant（支持百万级数据）。 |
| |
接受用户输入
用户输入可以是文字、语音转文字，甚至图片（需先用多模态模型转为文本）。
示例输入：
文字：“提神饮料有哪些？”
语音：“帮我找关于咖啡的文章。”
输入与处理
纠错：修正错别字（如“提神钦料” → “提神饮料”）
精简：提取关键信息（如“请告诉我如何快速提神？” → “快速提神方法”）。
生成用户输入向量
使用相同的Embedding模型，将用户输入转为向量。
代码示例：
user_query = "提神饮料有哪些？"query_vector = model.encode(user_query) # 生成向量，如 [0.25, -0.3, 0.75, ...]
相似度计算与匹配
在向量数据库中，快速找到与用户向量最接近的本地数据向量。
算法：
余弦相似度（最常用，计算方向相似性）。
欧氏距离（计算向量绝对距离）。
工具示例（使用FAISS）：
# 伪代码：FAISS 搜索相似向量distances, indices = index.search(query_vector, k=5) # 找最接近的5个结果for idx in indices: print("匹配内容：", 原文库[idx])返回结果
根据匹配的向量，返回对应的原始文本或摘要。
优化技巧：
多路召回：同时匹配多个相似段落，提升覆盖率。
重排序：用更精细的模型（如交叉编码器）对结果二次排序。
用户输入 → 向量化 → 搜索向量库 → 匹配最相似的本地数据 → 返回结果 ↑ ↑ 同一模型 同一向量空间
一句话总结
Embedding模型在本地知识库的用法，就是“两步走”：
a.把本地文件变成数字向量（建库）。
b.把用户问题也变成数字向量（搜索）。
两者在“数字世界”中比对，就能像人一样理解语义，实现精准问答和搜索！
在RAG（Retrieval-Augmented Generation）应用中，选择合适的Embedding模型至关重要。选择时需要考虑一下因素：
首先，需要明确RAG系统将处理哪种类型的数据，是文本、图像还是多模态数据。不同的数据类型可能需要不同的Embedding模型。
例如，对于文本数据，你可以参考HuggingFace的MTEB（Massive Text Embedding Benchmark）排行榜来选择适合的模型；对于多模态需求的，如图文检索等，可以选择CLIP、ViLBERT。
其次，可以根据任务是通用还是特定领域，选择合适的模型。如果任务涉及通用知识，可以选择通用的Embedding模型；如果任务涉及特定领域（如法律、医疗、教育、金融等），则需要选择更适合该领域的模型。
如果系统需要支持多种语言，可以选择支持多语言的Embedding模型，如BAAI/bge-M3、bce_embedding（中英）等。如果知识库中主要包含的是中文数据，可以选择如iic/nlp_gte_sentence-embedding_chinese-base等模型。
查看MTEB排行榜等基准测试框架来评估不同模型的性能。这些排行榜覆盖了多种语言和任务类型，可以帮助你找到在特定任务上表现最佳的模型。同时，考虑模型的规模和资源限制，较大的模型可能提供更高的性能，但也会增加计算成本和内存需求。
推荐一些表现优秀的Embedding模型：
文本数据：参考HuggingFace的MTEB排行榜或国内的魔搭社区排行榜。
多语言支持：选择如BAAI/bge-M3、bce_embedding（中英）等模型。
中文数据：选择如iic/nlp_gte_sentence-embedding_chinese-base等模型。
Embedding模型是连接符号数据与数值计算的桥梁，其选择需结合实际任务需求和数据特点。随着预训练模型的发展，动态、多模态的Embedding正成为趋势。
粤ICP备14082021号
免费POC，
零成本试错
