一、背景
当我们使用检索增强生成（RAG）技术来搭建本地知识库时，Embedding 模型就如同这个图书馆的智能索引系统，能让我们快速准确地找到所需的知识。
对于刚接触这一领域的小白来说，Embedding 模型到底是什么，它在本地知识库中扮演着怎样的角色，可能还比较模糊。
接下来，我们就用通俗易懂的语言，结合实际例子，详细探讨这些问题，同时分享如何准备本地知识，让本地 RAG 回答问题更加准确和全面。
二、Embedding 模型是什么
简单来讲，Embedding 就像是给数据穿上了一件“数字外衣”，把原本各种各样的数据（比如文本、图像、语音等）转化成一组数字，也就是向量来表示。
Embedding向量本质上是将语义信息映射到高维空间的数学坐标。以3D空间为例：
- "猫"
→ [0.7, -0.3, 0.1] - "犬"
→ [0.68, -0.25, 0.15] - "发动机"
→ [-0.4, 0.8, 0.5]
2.1 维度解释
-
低维（<100）：语义区分能力弱，可能出现"苹果"（水果）与"苹果"（手机）混淆 -
高维（>1000）：需要更多计算资源，但能捕捉"跑步"与"慢跑"的细微差别
# 实际模型维度示例
print("BGE维度:", len(model.encode("文本示例")[0])) # 输出: 1024
print("Jina维度:", len(jina_model.encode("示例")[0])) # 输出: 7682.2 常用模型深度对比
|
特性 |
BGE-large-zh-v1.5 |
Jina-embeddings-v2 |
Nomic-embed-text-v1.5 |
|
向量维度 |
1024 |
768 |
768 |
|
最大文本长度 |
512 tokens |
8192 tokens |
2048 tokens |
|
推荐距离方法 |
余弦相似度 |
点积（需归一化） |
余弦相似度 |
|
训练数据量 |
50亿中文token |
1.2万亿多语言token |
2亿英文文档 |
|
多语言支持 |
中文优先 |
支持100+语言 |
英语专用 |
|
模型体积 |
1.2GB |
890MB |
420MB |
|
推理内存需求 |
3GB |
2.5GB |
1.8GB |
|
温度参数 |
不支持 |
支持动态温度调节 |
固定温度0.8 |
|
领域适配能力 |
法律/金融专用版 |
通用领域 |
科技论文优化 |
在本地知识库搭建中，我们重点关注的是文本 Embedding，它能把文本信息变成计算机更容易理解和处理的向量形式。
三、 Embedding 模型的原理
3.1. 词向量化
- 独热编码（one – hot encoding）
独热编码是一种简单直接的词向量化方法。想象我们有一个水果词汇表，里面只有“苹果”“香蕉”“橘子”三个词。我们可以给每个词分配一个二进制向量，这个向量只有一个位置是 1，其余位置都是 0。例如：
-
“苹果”表示为 [1, 0, 0] -
“香蕉”表示为 [0, 1, 0] -
“橘子”表示为 [0, 0, 1]
这种表示有明显的缺点，如果词汇表变得非常大，这样的向量会非常长，而且无法体现词与词之间的语义关系，比如“苹果”和“香蕉”都属于水果，在这种表示方法下它们看起来毫无关联。
- 词嵌入（word embeddings）
词嵌入是一种更高级的词向量化方法，像 word2vec、glove 等模型都属于词嵌入模型。
以 word2vec 为例，它通过预测词的上下文来学习词向量。假设我们有这样一个句子“我喜欢吃苹果”，word2vec 会根据“苹果”周围的词（“喜欢”“吃”）来学习“苹果”的向量表示。
最终，语义相似的词在向量空间中会靠得很近。比如“苹果”和“香蕉”，它们的向量在空间中的位置会比较接近，因为它们都是水果。
3.2. 句子向量化
- 简单平均/加权平均
简单平均就是把句子中每个词的向量加起来，然后除以词的数量，得到句子的向量。
例如，句子“我爱祖国”，假设“我”的向量是 [0.1, 0.2, 0.3]，“爱”的向量是 [0.4, 0.5, 0.6]，“祖国”的向量是 [0.7, 0.8, 0.9]，那么句子向量就是这三个向量相加后除以 3。加权平均则是根据词的重要性给每个词的向量赋予不同的权重，再进行计算。比如在一个句子中，关键词的权重可以设得高一些。
- 递归神经网络（RNN）
RNN 就像一个有记忆力的小机器人，它会按照句子中词的顺序依次处理每个词，并且会记住之前处理过的信息。
例如，对于句子“我今天去超市买了苹果”，RNN 会先处理“我”，然后结合“我”的信息处理“今天”，以此类推，最终生成整个句子的向量表示。能够更好地处理长句子，因为它们有特殊的机制来避免在处理长序列时丢失重要信息。
- 卷积神经网络（CNN）
CNN 就像一个拿着放大镜的检查员，它会在句子中滑动一个小窗口（卷积核），捕捉句子中的局部特征。
比如在句子“这家餐厅的披萨非常好吃”中，CNN 可能会通过卷积核发现“披萨好吃”这样的局部特征，然后根据这些特征生成句子向量。
- 自注意力机制（如 Transformer）
自注意力机制就像是一个聪明的秘书，它会关注句子中每个词与其他词的关系。对于句子“小明和小红一起去公园玩”，会分析“小明”和“小红”之间的关系，以及它们和“公园”“玩”的关系，然后综合这些信息生成句子向量。这样就能更好地捕捉句子中词与词之间复杂的语义关系。
3.3. 文档向量化
- 简单平均/加权平均
和句子向量化类似，对文档中的每个句子向量进行平均或加权平均，得到文档的向量表示。
比如一篇关于旅游的文档，有多个句子描述不同的景点，将这些句子向量平均后就得到了文档向量。
- 文档主题模型
就像一个分类大师，它会分析文档中词的分布，找出文档的主题。
例如，一篇文档中多次出现“足球”“比赛”“球员”等词，可能会判断这篇文档的主题是足球。然后根据主题分布生成文档的向量表示。
- 层次化模型（如 doc2vec）
doc2vec 是 word2vec 的扩展，它不仅考虑了文档中的词，还考虑了文档的整体信息。
比如有一系列关于不同电影的评论文档，doc2vec 可以学习到每个文档的独特向量表示，同时也能体现出文档之间的相似性。
3.4 距离公式的本质
假设向量A=[a₁,a₂,a₃], B=[b₁,b₂,b₃]
|
方法 |
公式 |
适用场景 |
|
余弦相似度 |
Σ(aᵢbᵢ)/√(Σaᵢ²)√(Σbᵢ²) |
文本检索（消除长度影响） |
|
欧氏距离 |
√(Σ(aᵢ – bᵢ)²) |
图像匹配/结构数据 |
|
曼哈顿距离 |
Σ|aᵢ – bᵢ| |
稀疏特征分析 |
|
点积相似度 |
Σ(aᵢ*bᵢ) |
已归一化向量的快速计算 |
|
马氏距离 |
√((A-B)ᵀ * Σ⁻¹ * (A-B)) |
考虑特征相关性的场景 |
3.5 混合检索策略
A[用户提问] --> B{问题类型识别}
B -->|专业术语| C[语义检索]
B -->|日期/编号| D[关键词检索]
C --> E[重排序]
D --> E
E --> F[最终结果]准确率和召回率对比：
|
方法 |
召回率(大概统计) |
精确率(大概统计) |
|
纯语义检索 |
78% |
82% |
|
纯关键词检索 |
65% |
95% |
|
混合检索 |
92% |
89% |
召回率是我们需要关注的一个指标，假设我们有一个包含 100 篇文档的集合，其中有 30 篇是关于 “人工智能” 的文档，我们使用一个信息检索系统来查找关于 “人工智能” 的文档。如果系统返回了 20 篇文档，其中有 15 篇确实是关于 “人工智能” 的，而另外有 15 篇关于 “人工智能” 的文档没有被系统返回，那么根据召回率的计算公式可得：召回率 = 50%。这意味着该系统只找回了一半的与 “人工智能” 相关的文档。
四、Embedding 模型在本地知识库中的用法
在本地知识库 RAG 系统里，Embedding 模型主要负责两件重要的事情：
4.1. 本地数据向量化
把本地知识库中的文本数据，如文档、资料等，通过 Embedding 模型转化成向量，然后存储到向量数据库中。
例如，一家电商公司有产品手册、用户评价、常见问题解答等文档。我们可以使用 Embedding 模型将这些文档逐句或逐段转化为向量。
假设产品手册中有这样一段话“这款手机采用了最新的处理器，性能非常强劲”，Embedding 模型会将其转化为一个向量，然后存储到向量数据库中，就像把这本书中的这一页放到图书馆的特定位置。
2. 用户输入向量化
当用户提出问题时，同样使用 Embedding 模型把问题转化为向量，然后在向量数据库中查找与这个问题向量最相似的本地数据向量。
比如用户问“这款手机的性能怎么样”，Embedding 模型会把这个问题转化为一个向量，然后在向量数据库中搜索与之最接近的向量。可能就会找到之前存储的关于手机性能描述的向量，从而定位到对应的文本内容，就像在图书馆中根据索引快速找到相关的书籍页面。
五、如何准备本地知识提升本地 RAG 回答准确性和全面性
5.1 数据收集
数据收集就像是为我们的知识库这座大厦收集建筑材料。要尽量全面地收集与主题相关的各种数据。
以搭建一个关于美食的本地知识库为例，我们可以从以下几个方面收集数据：
- 专业书籍：如美食烹饪教材、地方美食文化书籍等。这些书籍通常包含了丰富的理论知识和经典的食谱。
- 权威网站：美食网站、餐饮行业的官方网站等。这些网站会有最新的美食资讯、餐厅推荐、特色菜品介绍等。
- 学术论文：关于食品科学、饮食文化等方面的学术论文，可以为知识库提供更深入的理论支持。
- 社交媒体：美食博主的分享、用户的美食体验评价等。这些内容能反映大众的口味偏好和实际的美食体验。
5.2 数据清洗
收集来的数据可能就像一堆杂乱的石头，里面有很多杂质，需要进行清洗。
例如，我们从网络上收集到的美食数据中，可能会有重复的内容，也可能有错误的信息，还可能夹杂着无关的广告，我们需要把这些杂质清理掉，只保留与美食知识相关的准确内容。
5.3 数据结构化
数据结构化就像是给我们的建筑材料分类整理，方便后续的查找和使用。对于美食知识库，我们可以按照以下结构进行分类：
- 菜系分类：如川菜、粤菜、鲁菜等。每个菜系下再细分具体的菜品。
- 菜品类型：分为炒菜、炖菜、汤品、甜品等。
- 食材分类：以主要食材为分类依据，如肉类、蔬菜类、海鲜类等。
通过这样的结构化分类，我们可以更方便地管理和检索数据。例如，当用户想查找川菜中的炒菜时，就可以快速定位到相关的菜品信息。
5.4 数据标注
对数据进行标注可以让知识库更加智能。
在美食知识库中，我们可以标注出菜品的难度等级（简单、中等、困难）、适合的人群（儿童、老人、健身人群等）、烹饪时间等信息。
这样在检索时，就可以根据用户的特定需求进行更精准的匹配。
比如用户是健身人群，希望找一道低热量、高蛋白的菜品，通过标注信息就可以快速筛选出符合要求的美食。
六、结语
通过理解这些技术细节，即使是刚入门的小白也能做出专业选择。当处理中文合同文档时，选择BGE模型配合余弦相似度；处理跨国客服对话记录时，Jina的多语言支持是更好的选择；
记住，选择模型的依据终止依据——合适的才是最好的！
