Embedding向量模型在RAG本地知识库中如何使用_向量模型怎么使用-优快云博客

本文链接：https://blog.youkuaiyun.com/python12222_/article/details/146399524

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: 768

2.2 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！

如何零基础入门 / 学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。