RAG系统中Embedding模型选型实战

  大家好，我是herosunly。985院校硕士毕业，现担任算法工程师一职，获得CSDN博客之星第一名，热衷于大模型算法的研究与应用。曾担任百度千帆AI应用挑战赛、英特尔AI创新应用大赛等比赛评委，科大讯飞AI大学堂荣誉讲师，编写微软OpenAI考试认证指导手册。曾获得多项AI顶级比赛的Top名次，其中包括阿里云天池比赛第一名，科大讯飞分类挑战赛第一名。在技术创新领域拥有多项授权发明。

  本文详细介绍了RAG系统中Embedding模型选型实战，希望能对学习RAG的同学们有所帮助。

1. 前言

  在之前的文章RAG优化实战：业务场景驱动的 Embedding 模型量化评估中介绍了一种Embedding选型的思路及其实战方案。但如果想在实际业务场景中选择较优的Embedding模型，就需要在不同维度和任务上进行综合比较。如果大家时间和精力有限，则以本文的实战内容为主。反之则建议同时尝试本篇和上篇的Embedding选型思路。

  如果大家持续对Embedding模型进行关注的话，就会发现最近新出了不少Embedding模型。有Qwen3-Embedding家族系列（0.6B、4B、8B）、jinaai的jina-embeddings-v4、谷歌的embeddinggemma-300m，以及KaLM-embedding-multilingual-mini-instruct-v2.5。那么到底该怎么选呢？

  在大模型技术日新月异的当下，坚持输出是一场长跑。本专栏是我基于实际工程落地的复盘与总结，旨在剔除噪音，直击核心技术骨架。我不希望这仅仅是一份思路或者代码的复现指南，更希望它能成为你技术武器库中的一块磨刀石，帮你养成透过现象看本质的工程直觉，在解决复杂问题时能迅速锁定最优路径。

2. 思路解析

  在评估“相似度”这件事上，再复杂的算法模型，最终也要服务于人类的直观感受。

  文档召回能力是Embedding模型的核心能力。但无论我们构建的是RAG还是语义搜索系统，一个Embedding模型是否优秀，最终的“裁判