从零开始：手把手教你微调Embedding模型，让检索效果提升10倍

原创于 2025-11-30 14:49:49 发布 · 407 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#embedding #python #langchain #人工智能 #prompt #微调 #大模型应用

还在为RAG系统的检索效果不佳而苦恼？通用Embedding模型无法理解你的业务场景？今天，我将带你从零开始，用LlamaIndex微调一个专属的Embedding模型，让检索准确率大幅提升！

一、为什么需要微调Embedding模型？

在RAG（检索增强生成）系统中，Embedding模型的质量直接决定了检索效果。虽然市面上有很多优秀的通用Embedding模型（如BGE、OpenAI的text-embedding-ada-002等），但在特定领域，它们往往表现不佳。

举个例子：

通用模型可能无法理解"证券发行"和"股票上市"在你的业务场景中的关联性
专业术语的语义理解可能不够准确
领域特定的表达方式可能被误判

解决方案： 通过微调，让模型学习你的领域知识，大幅提升检索准确率！

二、项目架构：三步走策略

我们的微调流程分为三个核心步骤：

步骤1：生成训练数据集

从PDF/Markdown等文档中提取文本，使用大语言模型自动生成问答对作为训练数据。

步骤2：模型微调

使用LlamaIndex的微调引擎，基于生成的训练数据对Embedding模型进行微调。

步骤3：效果评估

对比微调前后的模型性能，验证微调效果。

三、实战代码解析

事先准备两份语料，一份为训练的语料，一份为验证的语料。为了测试方便，这里我们使用一份语料分别作训练和验证用。下载地址：

https://www.modelscope.cn/datasets/muxueai/ai_ai_yu_llm_study_lib/resolve/master/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E8%AF%81%E5%88%B8%E6%B3%95(2019%E4%BF%AE%E8%AE%A2).pdf

.env配置里：

OPENAI_API_KEY=sk-xxxx
OPENAI_API_BASE=https://api.siliconflow.cn/v1
LLM_MODEL=deepseek-ai/DeepSeek-V3
EMBEDDING_MODEL=Qwen/Qwen3-Embedding-8B

安装依赖包：

# pyproject.toml
[project]
name = "embedding-ft"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.12,<3.13"
dependencies = [
"datasets>=4.4.1",
"llama-index-core>=0.14.8",
"llama-index-embeddings-huggingface>=0.6.1",
"llama-index-embeddings-openai-like>=0.2.2",
"llama-index-finetuning>=0.4.1",
"llama-index-llms-openai-like>=0.5.3",
"llama-index-readers-file>=0.5.4",
"python-dotenv>=1.2.1",
"transformers[torch]>=4.57.1",
]

3.1 第一步：生成训练数据集

首先，我们需要从需要训练的文档中提取文本，并生成问答对。这里使用LlamaIndex的generate_qa_embedding_pairs函数，它会自动调用大语言模型生成高质量的问答对。

# 1-gen_train_dataset.py
import json
from llama_index.core import SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
import os
from llama_index.finetuning import generate_qa_embedding_pairs
from llama_index.llms.openai_like import OpenAILike
from dotenv import load_dotenv
load_dotenv()
BASE_DIR = r"D:\Test\embedding_ft\data"
# 训练集和验证集文件路径
TRAIN_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")]
VAL_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")]
# 训练集和验证集语料库文件路径
TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")
VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")
def load_corpus(files, verbose=False):
if verbose:
print(f"Loading files {files}")
reader = SimpleDirectoryReader(input_files=files)
docs = reader.load_data()
if verbose:
print(f"Loaded {len(docs)} docs")
parser = SentenceSplitter()
nodes = parser.get_nodes_from_documents(docs, show_progress=verbose)
if verbose:
print(f"Parsed {len(nodes)} nodes")
return nodes
def mk_dataset():
train_nodes = load_corpus(TRAIN_FILES, verbose=True)
val_nodes = load_corpus(VAL_FILES, verbose=True)
# openai-like兼容大模型
llm = OpenAILike(
model=os.getenv("LLM_MODEL"),
api_base=os.getenv("OPENAI_API_BASE"),
api_key=os.getenv("OPENAI_API_KEY"),
temperature=0.7,
)
train_dataset = generate_qa_embedding_pairs(llm=llm, nodes=train_nodes)
val_dataset = generate_qa_embedding_pairs(llm=llm, nodes=val_nodes)
train_dataset.save_json(TRAIN_CORPUS_FPATH)
val_dataset.save_json(VAL_CORPUS_FPATH)
mk_dataset()

关键点：

SimpleDirectoryReader：自动读取PDF文档
SentenceSplitter：将文档切分为合适的文本块
generate_qa_embedding_pairs：使用LLM自动生成问答对，无需人工标注！
一共生成2个json,分别为微调所使用的训练集和验证集。
可以使用任意平台的大模型,为了生成高质量的数据集，尽量选择能力强的大模型；这里使用硅基平台的，

3.2 第二步：模型微调

有了训练数据，接下来就是微调模型。LlamaIndex提供了SentenceTransformersFinetuneEngine，封装了所有复杂的训练逻辑。

# 2-fine_tune.py
from llama_index.finetuning import SentenceTransformersFinetuneEngine
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
import os
BASE_DIR = r"D:\Test\embedding_ft\data"
TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")
VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")
def finetune_embedding_model():
# 加载训练集和验证集
train_dataset = EmbeddingQAFinetuneDataset.from_json(TRAIN_CORPUS_FPATH)
val_dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)
# 使用本地模型路径
model_path = os.path.join(".", "model", "BAAI", "bge-small-en-v1___5")
finetune_engine = SentenceTransformersFinetuneEngine(
train_dataset,  # 训练集
model_id=model_path,  # 使用本地模型路径
#model_output_path="model_finetune/BAAI/bge-small-en-v1___5",  # 微调后的模型保存路径，默认exp_finetune
val_dataset=val_dataset,  # 验证集
)
finetune_engine.finetune()  # 直接微调
embed_model = finetune_engine.get_finetuned_model()
print(embed_model)
finetune_embedding_model()

关键点：

使用bge-small-en-v1.5作为基础模型（你也可以选择其他模型）；可事先从魔塔社区或者Hugging face上下载模型文件保存到项目的model目录下，项目的目录结构如下:
微调后的模型默认保存在exp_finetune目录，也可以指定到其他目录；
整个过程完全自动化，无需手动配置训练参数

3.3 第三步：效果评估

微调完成后，我们需要评估模型效果。这里使用命中率（Hit Rate）作为评估指标。对于每一对（查询，relevant_doc），我们通过查询检索 Top-K 文档，如果结果包含 relevant_doc，那就是命中。

接下来我们使用在线Embedding模型，本地原Embedding模型，微调后的模型分别评估。代码如下：

# 3-eval_embedding.py
from llama_index.core import VectorStoreIndex
from llama_index.core.schema import TextNode
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
from tqdm import tqdm
import pandas as pd
import os
from dotenv import load_dotenv
load_dotenv()
BASE_DIR = r"D:\Test\embedding_ft\data"
TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")
VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")
# 评估命中率，
def evaluate(
dataset,
embed_model,
top_k=5,
verbose=False,
):
corpus = dataset.corpus
queries = dataset.queries
relevant_docs = dataset.relevant_docs
nodes = [TextNode(id_=id_, text=text) for id_, text in corpus.items()]
index = VectorStoreIndex(
nodes, embed_model=embed_model, show_progress=True
)
retriever = index.as_retriever(similarity_top_k=top_k)
eval_results = []
for query_id, query in tqdm(queries.items()):
retrieved_nodes = retriever.retrieve(query)
retrieved_ids = [node.node.node_id for node in retrieved_nodes]
expected_id = relevant_docs[query_id][0]
is_hit = expected_id in retrieved_ids  # assume 1 relevant doc
eval_result = {
"is_hit": is_hit,
"retrieved": retrieved_ids,
"expected": expected_id,
"query": query_id,
}
eval_results.append(eval_result)
return eval_results
if __name__ == "__main__":
# 加载评估集
dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)
# 使用在线的embedding模型
Qwen3_Embedding_8B=OpenAILikeEmbedding(
model_name=os.getenv("EMBEDDING_MODEL"),
api_base=os.getenv("OPENAI_API_BASE"),
api_key=os.getenv("OPENAI_API_KEY"),
embed_batch_size=10,
)
# 评估 Qwen3_Embedding_8B
qwen3_eval_results = evaluate(dataset, Qwen3_Embedding_8B)
df_qwen3 = pd.DataFrame(qwen3_eval_results)
hit_rate_qwen3 = df_qwen3["is_hit"].mean()
print(f"Qwen3_Embedding_8B 命中率为: {hit_rate_qwen3}")
# 评估 orgin-bge
bge = r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5"
bge_eval_results = evaluate(dataset, bge)
df_bge = pd.DataFrame(bge_eval_results)
hit_rate_bge = df_bge["is_hit"].mean()
print(f"orgin-bge 命中率为: {hit_rate_bge}")
# 评估 finetune-bge
bge = r"local:D:\Test\embedding_ft\exp_finetune"
bge_eval_results = evaluate(dataset, bge)
df_bge = pd.DataFrame(bge_eval_results)
hit_rate_bge = df_bge["is_hit"].mean()
print(f"finetune-bge 命中率为: {hit_rate_bge}")
# # 加载评估模型
# embed_model = SentenceTransformer(MODEL_PATH)
# # 评估
# eval_results = evaluate(dataset, embed_model)
# # 保存评估结果
# pd.DataFrame(eval_results).to_csv("eval_results.csv", index=False)

结果如下：

Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:06<00:00,  8.89it/s]
100%|█████████████████████████████████████████████████████████████████| 89/89 [00:28<00:00,  3.16it/s]
Qwen3_Embedding_8B 命中率为: 0.25842696629213485
Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:04<00:00, 13.36it/s]
100%|█████████████████████████████████████████████████████████████████| 89/89 [00:00<00:00, 90.79it/s]
orgin-bge 命中率为: 0.0898876404494382
Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:04<00:00, 11.92it/s]
100%|█████████████████████████████████████████████████████████████████| 89/89 [00:01<00:00, 86.91it/s]
finetune-bge 命中率为: 0.23595505617977527

命中率明显提升了！从 0.08提升到0.23 。

评估指标说明：

命中率（Hit Rate）：在Top-K检索结果中，正确答案出现的比例。
这是RAG系统最核心的评估指标，直接反映了检索质量

四、实际效果展示

在实际项目中，我们使用《中华人民共和国证券法》作为训练数据，微调后的模型在专业领域的检索效果显著提升：

模型	命中率	提升幅度
原始BGE-small-en-v1.5	8.9%	-
微调后BGE模型	23.5%	+14.6%

关键发现：

微调后的模型对专业术语的理解更加准确
领域相关的查询检索效果明显提升
在特定业务场景下，效果提升可达20%以上

评估器也可以sentence_transformers`的信息检索评估器，它提供了更全面的指标套件，我们只能用兼容句子变换器的模型（开源和我们微调的模型，不能用 OpenAI 嵌入模型）进行比较。`

from llama_index.core import VectorStoreIndex
from llama_index.core.schema import TextNode
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
from sentence_transformers.evaluation import InformationRetrievalEvaluator
from sentence_transformers import SentenceTransformer
from pathlib import Path
from tqdm import tqdm
import pandas as pd
import os
from dotenv import load_dotenv
load_dotenv()
BASE_DIR = r"D:\Test\embedding_ft\data"
TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")
VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")
def evaluate_st(
dataset,
model_id,
name,
):
corpus = dataset.corpus
queries = dataset.queries
relevant_docs = dataset.relevant_docs
evaluator = InformationRetrievalEvaluator(
queries, corpus, relevant_docs, name=name
)
model = SentenceTransformer(model_id)
output_path = "results/"
Path(output_path).mkdir(exist_ok=True, parents=True)
return evaluator(model, output_path=output_path)
if __name__ == "__main__":
# 加载评估集
dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)
# 评估 orgin-bge
bge = r"D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5"
bge_eval_results = evaluate_st(dataset, bge, name="orgin_bge")
# 评估 finetune-bge
bge = r"D:\Test\embedding_ft\exp_finetune"
evaluate_st(dataset, bge, name="finetuned_bge")
df_st_bge = pd.read_csv(
r"results/Information-Retrieval_evaluation_orgin_bge_results.csv"
)
df_st_finetuned = pd.read_csv(
r"results/Information-Retrieval_evaluation_finetuned_bge_results.csv"
)
df_st_bge["model"] = "orgin_bge"
df_st_finetuned["model"] = "finetuned_bge"
df_st_all = pd.concat([df_st_bge, df_st_finetuned])
df_st_all = df_st_all.set_index("model")
print(df_st_all)