一个模型搞定 RAG 向量化，Python 直接跑（BAAI/bge-m3）

　　做 RAG 的朋友对向量化模型应该都不陌生。今天简单聊一个我最近在用的模型——BAAI/bge-m3，智源研究院出品，MIT 协议可商用，最舒服的一点是：下载好模型放到本地，Python 里几行代码就能跑起来，不需要一堆依赖和服务，特别适合直接拿来做 RAG 的向量化环节。

这个模型好在哪

一句话概括：多语言、长文本、稠密/稀疏/多向量三合一。

• 多语言：覆盖 100+ 种语言，中英文混检、跨语言检索都能用；

• 长文本：最大支持 8192 token，长文档切片后不用担心超长；

• 三合一检索：一次推理可同时输出稠密向量（语义检索）、稀疏权重（类 BM25 关键词匹配）、多向量（ColBERT 式精细重排）。RAG 里常见做法是稠密召回 + 稀疏/多向量重排，一个模型全包了。

参数 569M，稠密向量 1024 维，模型文件约 2.27 GB，CPU 上也能跑（慢一点，但跑得动）。

 

环境依赖：
pip install FlagEmbedding

模型文件内容：

 

代码如下：

from FlagEmbedding import BGEM3FlagModel
import numpy as np

# ========= 配置：填写你本地BAAI_bge‑m3模型路径 =========
MODEL_PATH = r"D:\\myLittleModel\\embeddingsProject\\BAAIBgeM3\\model\\BAAI_bge-m3"

# CPU务必 use_fp16=False
model = BGEM3FlagModel(
    model_name_or_path=MODEL_PATH,
    use_fp16=False
)

# 单条向量化，用于milvus检索
query = "适合出门打球"
query_res = model.encode([query], return_dense=True, return_sparse=False, return_colbert_vecs=False)
query_vector = query_res["dense_vecs"][0]
print(f"query向量维度 {query_vector.shape}")

# 输出前10个维度数值
first10 = query_vector[:10]
print("向量前10维：")
print(first10)


print("------------------------------------")

# 列表输入
text_list = [
    "今天天气很不错，适合外出打球",
    "今日阳光明媚，适合出门运动",
    "他开车去往体育场参加比赛"
]

# 重点：return_colbert_vecs 带下标 _vecs
encode_result = model.encode(
    sentences=text_list,
    return_dense=True,
    return_sparse=False,
    return_colbert_vecs=False
)

dense_embeds = encode_result["dense_vecs"]
print(f"向量shape: {dense_embeds.shape}") # (3,1024)


# 输出三个文本向量各自的前10维
for i, text in enumerate(text_list):
    vec = dense_embeds[i]
    print(f"\n=== 文本 {i}: {text} ===")
    print(f"向量shape: {vec.shape}")
    print("前10维（numpy）:")
    print(vec[:10])

 运行结果：

query向量维度 (1024,)
向量前10维：
[-0.0119988  -0.00236061 -0.10888595  0.02743139 -0.00785391 -0.02606967
  0.00354357  0.00466535  0.04377837 -0.02017611]
------------------------------------
向量shape: (3, 1024)

=== 文本 0: 今天天气很不错，适合外出打球 ===
向量shape: (1024,)
前10维（numpy）:
[-0.01638694  0.01111988 -0.07677518  0.00492002 -0.01375932 -0.05856777
  0.01218044  0.01153451  0.02561076 -0.01882596]

=== 文本 1: 今日阳光明媚，适合出门运动 ===
向量shape: (1024,)
前10维（numpy）:
[ 0.00277533  0.03751214 -0.07457497  0.00530381 -0.02216698 -0.03919666
 -0.01354743 -0.00716769  0.02669461 -0.01112665]

=== 文本 2: 他开车去往体育场参加比赛 ===
向量shape: (1024,)
前10维（numpy）:
[ 0.02138939 -0.02295322 -0.02003554  0.00877045 -0.03312481  0.00957198
  0.00554157 -0.03647586  0.02149701 -0.03139527]