一、作用定位

把 Chunk 文本 → 高维浮点向量。语义相近→向量空间距离近，用于向量库余弦相似度检索 RAG 链路：分片chunk → EmbeddingModel → 多维向量 → 存入向量库；用户 Query 同样用同一个模型向量化，才能匹配召回。

关键：入库、查询必须使用同一个 Embedding 模型，否则向量空间不匹配，召回失效。

二、三大分类：闭源 API 模型 / 开源本地模型 / 多模态 Embedding

1. 商用闭源嵌入（API 调用，省心、效果优）

① OpenAI Embedding（工业最常用）

python

运行

from langchain_openai import OpenAIEmbeddings
embedding = OpenAIEmbeddings(model="text-embedding-3-small")
# 可选：text-embedding-3-large(高精度、向量维度3072)
vec = embedding.embed_query("北京住宿报销标准")

• 优点：泛化强、中英文通用、不用本地部署；缺点：付费、依赖外网。

② 阿里通义 / 百度千帆 / 讯飞 embedding

国产云端嵌入，适配中文，国内企业内网云场景。

2. 开源本地 Embedding（离线私有化首选，无费用、本地 CPU/GPU 运行）

国内 RAG 标配：BGE 系列（BGE-small、BGE-base-zh），中文 SOTA，LangChain 通过HuggingFaceEmbeddings加载。

示例代码

bash

运行

pip install sentence-transformers

python

运行

from langchain_community.embeddings import HuggingFaceEmbeddings

# 中文最优：bge-small-zh-v1.5
model_name = "BAAI/bge-small-zh-v1.5"
embedding = HuggingFaceEmbeddings(model_name=model_name)

# 单个文本向量化
vec = embedding.embed_query("江南春天景色")
# 批量文档向量化（RAG入库用）
doc_vecs = embedding.embed_documents([chunk1,chunk2])

主流开源清单：

1. BGE（BAAI）：国内 RAG 首选，bge-small/base/large-zh，中文语义匹配极强；
2. all-MiniLM：英文轻量化、体积小、速度快；
3. m3e：另一款国产轻量化中文嵌入。

3. 多模态 Embedding（图文混合 RAG：PDF 带图片、图表）

如 CLIP、bge-visual，同时编码文字 + 图片，适合图纸、说明书、教材类文档。

三、两个关键 API 接口（LangChain 统一规范）

1. .embed_query(text:str) → list[float]：用户问题向量化
2. .embed_documents(list[str]) → list[list[float]]：知识库批量分片入库向量化

Retriever 底层自动调用这两个方法做相似度比对。

四、和 RAG 全链路结合完整示例

python

运行

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.documents import Document
from langchain_chroma import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings

# 1.原文
article = """江南的春天，总在绵绵细雨里悄悄降临。清晨推开窗，潮湿的水汽裹挟着草木清香扑面而来。"""
docs = [Document(page_content=article)]

# 2.递归切分
splitter = RecursiveCharacterTextSplitter(chunk_size=150,chunk_overlap=20,separators=["\n\n","\n","。","，"])
chunks = splitter.split_documents(docs)

# 3.加载本地BGE嵌入模型
emb = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh-v1.5")

# 4.向量化+存入向量库
db = Chroma.from_documents(chunks,embedding=emb,persist_directory="./emb_db")
ret = db.as_retriever(k=2)

# 5.检索测试
res = ret.invoke("江南春季风景")

五、选型落地标准

1. 公有云项目、追求简单高效：OpenAI / 百度千帆 API Embedding
2. 企业内网、涉密离线部署、私有化 RAG：BGE 本地开源模型（首选）
3. 文档带图纸、图片、扫描件：多模态 Embedding

六、重要避坑点

1. 入库和查询不能混用两个不同 Embedding；
2. 嵌入维度：small≈384 维、base≈768 维、large≈1024+，维度越大精度越高、存储开销越大；
3. 中文文档严禁使用英文专用 embedding (all-MiniLM)，召回效果暴跌。