BGE

在做 RAG 系统时，Embedding 模型的选型是个绕不过去的问题。选错了，后面调再多参数也是事倍功半。 什么是 Embedding Embedding 模型把文本转成高维向量，语义相近的文本在向量空间里距离更近。RAG 的检索质量，本质上取决于 Embedding 模型对语义的理解能力。 OpenAI text-embedding 系列 from openai import OpenAI client = OpenAI() response = client.embeddings.create( model="text-embedding-3-small", # 或 text-embedding-3-large input="什么是 RAG 系统？" ) vector = response.data[0].embedding # 1536 维向量 text-embedding-3-small： 维度：1536 价格：$0.02 / 1M tokens 性价比最高，大多数场景足够用 text-embedding-3-large： 维度：3072 价格：$0.13 / 1M tokens 效果更好，但贵 6 倍，仅在对检索质量要求极高时考虑 优点：接口简单，效果稳定，中英文都好。 缺点：按量计费，数据需要发到 OpenAI，有隐私顾虑。 BGE 系列（智源） BGE（BAAI General Embedding）是智源研究院开源的中文 Embedding 模型，中文效果出色： from FlagEmbedding import FlagModel model = FlagModel( "BAAI/bge-large-zh-v1.5", query_instruction_for_retrieval="为这个句子生成表示以用于检索相关文章：", use_fp16=True ) # 对查询加 instruction（重要！BGE 的查询和文档编码方式不同） query_embedding = model.encode_queries(["什么是 RAG？"]) # 文档不需要 instruction doc_embeddings = model.encode(["RAG 是检索增强生成..."]) BGE-large-zh-v1.5： ...