RAG检索总是搜不到？别卷Prompt了，手把手教你微调垂直领域Embedding模型（附源码）

关注

原创最新推荐文章于 2026-08-31 09:57:31 发布 955 阅读 AI 写同款· GEO 优化 ›

大模型应用开发实战：从RAG到工程化部署的完整指南大语言模型（LLM）作为当前人工智能领域的核心技术，其本质是基于海量数据训练的概率预测模型，通过模式识别与泛化实现智能交互。其核心原理在于Transformer架构对上下文信息的强大建模能力。这项技术的核心价值在于，它极大地降低了AI应用的门槛，使开发者能够通过API调用和框架集成，快速构建智能应用，而无需从零训练模型。在实际应用场景中，大模型常与检索增强生成（RAG）技术结合，用于构建企业级知识库问答、智能客服和内容生成等系统，以解决模型幻觉和知识更新问题。本文以金融大模型问答机器人为具体案例，深入剖析了阅读详情

在过去的一段时间，我们在公众号里一起学习了 RAG的搭建、向量数据库的选型、甚至是 Rerank（重排）模型的使用。

但最近，很多做 政务、金融、医疗 等垂直领域的朋友在后台私信我同一个痛点：

“云枢，我的 RAG 系统搭好了，Prompt 也写出花儿了，上了 Rerank，但效果还是差点意思。

用户问‘人才购房补贴’，它搜出来全是‘人才公寓管理’或者‘购房落户政策’。关键词都沾边，但意思完全不对！大模型拿不到对的参考资料，只能在那一本正经地胡说八道。”

这就像你问路“去火车站怎么走”，它告诉你“火车站的炒面很好吃”。它懂了，但没完全懂。

问题出在哪？Embedding 模型（向量化模型）不懂你的“行业黑话”。

今天，不教大家怎么“调 Prompt”，我们来点硬核的——手把手教你微调一个专属的 Embedding 模型，从根源上解决“搜不准”的问题！

RAG 优化的“金字塔”：我们在哪一层？

在开始动手前，我们需要知道“模型微调”在 RAG 优化体系里的地位。RAG 的优化手段其实是一个金字塔：

•Level 1：Prompt 工程（最简单）： 优化提问技巧，让大模型更好理解。•Level 2：切片策略 (Chunking)： 把文档切得更科学，不切断语义。•Level 3：混合检索 (Hybrid Search)： 向量检索 + 关键词检索 (BM25) 互补。•Level 4：重排 (Rerank)： 在检索回来的结果里，用高精度模型再排一次序。•Level 5：Embedding 微调 (Fine-tuning)（最硬核）： 直接改造模型的“大脑”，让它重新理解什么是“相似”，什么是“无关”。

如果前 4 层你都做过了，效果还是遇到瓶颈，那么微调 Embedding 就是你突破天花板的唯一路径。

技术选型：为什么不用“傻瓜式”工具？

市面上有很多微调工具，为什么我们要选择写代码？

•AutoTrain / LlamaIndex / ms-swift： 这些都是非常优秀的“开箱即用”工具（Wrapper）。它们像傻瓜相机，封装得很好，一行命令就能跑。但缺点是是个黑盒——你不知道它底层用了什么 Loss，不知道它是怎么处理数据的，一旦效果不好，你根本无从调试。•SentenceTransformers： 这是 PyTorch 生态下 Embedding 训练的事实标准，相当于摄影师手里的单反相机。 •透明： 你能看到每一行代码在干什么。 •强大： 完美支持 BGE、Jina 等主流模型。 •可控： 显存不够？调！负例不够？加！

云枢主张： 对于新手，第一次微调一定要用 SentenceTransformers 写一遍代码。只有理解了底层的“对比学习”原理，以后你才能驾驭那些自动化工具。

核心原理：大模型不懂“硬负例”

很多教程微调完效果不好，是因为忽略了**“硬负例”（Hard Negative）**。这是本篇文章最核心的概念，大家一定要懂。

教模型认“苹果”，有两种教法：

1.普通教学（Easy Negative）：拿个汽车，告诉它“这不是苹果”。这太简单了，模型闭着眼都能分清，学不到东西。2.硬核教学（Hard Negative）：拿个绿色的皮球，告诉它“这也是圆的、绿的，但它不是苹果”。

在 Embedding 微调中：

•简单负例： 随机抽一篇不相关的文档。•**硬负例：****“看起来很像，关键词重合度很高，但语义完全错误”**的文档。

比如搜“购房补贴”，BM25可能会搜出“购房落户”或“租房补贴”。它们字面极像，最容易迷惑模型。我们就要把这些作为负例喂给模型，强迫它学会区分“落户”和“补贴”的细微差别。

云枢的实战结论： 如果不加硬负例，微调效果可能只能提升 5%；加上硬负例，提升能达到 20%-30%！

实战环节：3090 单卡微调全流程

第一步：数据准备（LLM + BM25 自动挖掘）

我们做垂直领域，通常没有现成的训练数据。千万别人工标注！ 那是上一代 AI 做的事。我们要用魔法打败魔法。

我为大家设计了一条自动化数据流水线：

1.出题人 (LLM)：让大模型阅读文档，生成问题。2.找茬人 (BM25)：用传统的关键词搜索 (BM25) 去库里搜这个问题。

•为什么要用 BM25？ 因为 BM25 只看字面匹配，不看语义。它搜出来的错题，通常字面重合度极高（比如搜“补贴”出“罚款”）。这正是我们梦寐以求的“硬负例”！

(注：数据生成脚本较长，请在文末获取完整代码仓库，这里只展示核心逻辑)

def main():
# 1. 加载所有文件并切片
print("1. 正在扫描目录并加载数据...")
if not os.path.exists(INPUT_DIR):
print(f"目录不存在: {INPUT_DIR}")
return
corpus = load_data_from_dir(INPUT_DIR)
print(f"数据加载完成，共切分为 {len(corpus)} 个片段。")
if len(corpus) == 0:
print("未找到有效文本数据，请检查目录。")
return
# 2. 构建 BM25 索引（全局索引）
print("2. 正在构建 BM25 索引（用于硬负例挖掘）...")
# 对中文进行分词
tokenized_corpus = [list(jieba.cut(doc)) for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus)
dataset = []
# 3. 开始循环生成
print("3. 开始生成问题并挖掘负例...")
# 限制处理数量用于测试，正式跑可以去掉 [:10]
for idx, doc_text in tqdm(enumerate(corpus), total=len(corpus), desc="Generating"):
# 生成正例 (Query)
queries = generate_queries(doc_text)
for query in queries:
# 挖掘负例 (Hard Negatives)
tokenized_query = list(jieba.cut(query))
scores = bm25.get_scores(tokenized_query)
top_n_indexes = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)[:BM25_TOP_K]
hard_negatives = []
for neg_idx in top_n_indexes:
# 排除掉原文片段自己
if neg_idx == idx or corpus[neg_idx] == doc_text:
continue
hard_negatives.append(corpus[neg_idx])
if len(hard_negatives) >= NEG_COUNT:
break
# 补齐负例
retry_count = 0
while len(hard_negatives) < NEG_COUNT and retry_count < 20:
random_neg = random.choice(corpus)
if random_neg != doc_text and random_neg not in hard_negatives:
hard_negatives.append(random_neg)
retry_count += 1
# 组装数据
data_item = {
"query": query,
"pos": [doc_text],
"neg": hard_negatives
}
dataset.append(data_item)
# 4. 保存文件
print(f"4. 正在保存数据到 {OUTPUT_FILE}...")
with open(OUTPUT_FILE, 'w', encoding='utf-8') as f:
for item in dataset:
f.write(json.dumps(item, ensure_ascii=False) + '\n')
print(f"任务完成！训练数据已生成。")

跑完这个脚本，你就得到了一份高质量的、带有“陷阱”的训练数据，格式如下：

{
"query": "高层次人才购房补贴标准是多少？",
"pos": ["给予A类人才最高300万元购房补贴..."],
"neg": [
"大学生租房补贴标准为每月...",  // 硬负例1：租房补贴
"人才购房落户需满足以下条件..."  // 硬负例2：购房落户
]
}

第二步：模型微调（解决显存爆炸）

数据有了，开始训练。这里演示使用的是单张 24G 显存的 3090，一跑代码就 OOM。因为带了硬负例后，模型一次要处理 1(问) + 1(正) + 4(负) = 6 个句子！

为了让单卡能跑，云枢使用了**“单卡黄金配置”**，主要靠三招：

1.梯度检查点 (Gradient Checkpointing)：用算力换显存，必开。2.混合精度 (FP16)：显存占用减半。3.梯度累积：既然显存小，我们就把 Batch Size 设小（比如 4），多跑几步再更新参数。

核心代码：

from sentence_transformers import SentenceTransformer, losses
from torch.utils.data import DataLoader
MODEL_NAME = "BAAI/bge-large-zh-v1.5" # 选个好点的中文基座
BATCH_SIZE = 4       # 3090 单卡建议 4-6
MAX_SEQ_LENGTH = 256 # 垂直领域 256 长度足够，非常省显存
def train():
# 加载模型
model = SentenceTransformer(MODEL_NAME)
model.max_seq_length = MAX_SEQ_LENGTH
# 开启梯度检查点，防 OOM 的关键！
model.gradient_checkpointing_enable()
# 准备数据
train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=BATCH_SIZE)
# 定义损失函数：MultipleNegativesRankingLoss
# 会自动把 batch 内的其他数据也作为负例，极其高效
train_loss = losses.MultipleNegativesRankingLoss(model=model, scale=20.0)
# 4. 开始训练
model.fit(
train_objectives=[(train_dataloader, train_loss)],
epochs=3,
output_path="./output_model_final",
save_best_model=True,
use_amp=True  # 开启 FP16 混合精度
)
if __name__ == "__main__":
train()

第三步：效果验证

微调完，到底有没有用？我们写个对比脚本，让基座模型和微调模型同台竞技。

核心逻辑：

# 加载两个模型
base_model = SentenceTransformer("BAAI/bge-large-zh-v1.5")
ft_model = SentenceTransformer("./output_model_final")
# 计算 Query 与 正例/负例 的相似度
q_emb = model.encode(query)
p_emb = model.encode(pos_doc)
n_emb = model.encode(neg_doc)
print(f"正例得分: {util.cos_sim(q_emb, p_emb)}")
print(f"负例得分: {util.cos_sim(q_emb, n_emb)}")

**真实运行结果（政务场景）：**Case 1：用户提问“高层次人才购房补贴”