【官方常见问题精选】欢迎在下方补充你的经验或追问。

嵌入模型决定了“能不能检索到对的内容”，往往比生成模型更影响 RAG 的整体效果。

选择时考虑几点：

• 语言覆盖：中文或中英混合的资料，应选择明确支持中文和多语言的模型。只针对英文训练的模型，在中文上通常表现较差。
• 常见候选：BGE 系列（如 bge-m3，支持多语言和较长文本）、Qwen 的 Embedding 系列、multilingual-e5 系列等。版本更新较快，请以各自官方页面和你的实测为准。
• 体积与速度：越大的嵌入模型越准，但建库越慢。文档量很大时，要考虑耗时。
• 最大输入长度：超过限制的文本会被截断，切分块时不要超过它。
• 向量维度：维度越高，存储和检索成本越高。

使用要点：

• 索引和查询要用同一个嵌入模型，换模型后必须重建索引。
• 有些模型要求为“查询”和“文档”加不同的前缀指令，请阅读模型卡说明，漏掉会影响效果。
• 在 Ollama 中可以直接拉取嵌入模型并通过 embeddings 接口调用。

验证方法：准备 20～30 个典型问题，并标出应该命中的文档片段，比较不同嵌入模型的命中率。有条件再加一个重排序模型。

你们用的是哪个嵌入模型？效果怎么样？欢迎分享。