一、为什么需要微调Embedding模型？
在RAG（检索增强生成）系统中，Embedding模型的质量直接决定了检索效果。虽然市面上有很多优秀的通用Embedding模型（如BGE、OpenAI的text-embedding-ada-002等），但在特定领域，它们往往表现不佳。
举个例子：
通用模型可能无法理解"证券发行"和"股票上市"在你的业务场景中的关联性
专业术语的语义理解可能不够准确
领域特定的表达方式可能被误判
解决方案： 通过微调，让模型学习你的领域知识，大幅提升检索准确率！
二、项目架构：三步走策略
我们的微调流程分为三个核心步骤：
步骤1：生成训练数据集
从PDF/Markdown等文档中提取文本，使用大语言模型自动生成问答对作为训练数据。
步骤2：模型微调
使用LlamaIndex的微调引擎，基于生成的训练数据对Embedding模型进行微调。
步骤3：效果评估
对比微调前后的模型性能，验证微调效果。
三、实战代码解析
事先准备两份语料，一份为训练的语料，一份为验证的语料。为了测试方便，这里我们使用一份语料分别作训练和验证用。下载地址：
https://www.modelscope.cn/datasets/muxueai/ai_ai_yu_llm_study_lib/resolve/master/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E8%AF%81%E5%88%B8%E6%B3%95(2019%E4%BF%AE%E8%AE%A2).pdf
.env配置里：
OPENAI_API_KEY=sk-xxxxOPENAI_API_BASE=https://api.siliconflow.cn/v1LLM_MODEL=DeepSeek-ai/DeepSeek-V3EMBEDDING_MODEL=Qwen/Qwen3-Embedding-8B
安装依赖包：
# pyproject.toml[project]name = "embedding-ft"version = "0.1.0"description = "Add your description here"readme = "README.md"requires-python = ">=3.12,<3.13"dependencies = ["datasets>=4.4.1","llama-index-core>=0.14.8","llama-index-embeddings-huggingface>=0.6.1","llama-index-embeddings-openai-like>=0.2.2","llama-index-finetuning>=0.4.1","llama-index-llms-openai-like>=0.5.3","llama-index-readers-file>=0.5.4","python-dotenv>=1.2.1","transformers[torch]>=4.57.1",]
3.1 第一步：生成训练数据集
首先，我们需要从需要训练的文档中提取文本，并生成问答对。这里使用LlamaIndex的generate_qa_embedding_pairs函数，它会自动调用大语言模型生成高质量的问答对。
# 1-gen_train_dataset.pyimport jsonfrom llama_index.core import SimpleDirectoryReaderfrom llama_index.core.node_parser import SentenceSplitterimport osfrom llama_index.finetuning import generate_qa_embedding_pairsfrom llama_index.llms.openai_like import OpenAILikefrom dotenv import load_dotenvload_dotenv()BASE_DIR = r"D:\Test\embedding_ft\data"# 训练集和验证集文件路径TRAIN_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")]VAL_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")]# 训练集和验证集语料库文件路径TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")def load_corpus(files, verbose=False):if verbose:print(f"Loading files {files}")reader = SimpleDirectoryReader(input_files=files)docs = reader.load_data()if verbose:print(f"Loaded {len(docs)} docs")parser = SentenceSplitter()nodes = parser.get_nodes_from_documents(docs, show_progress=verbose)if verbose:print(f"Parsed {len(nodes)} nodes")return nodesdef mk_dataset():train_nodes = load_corpus(TRAIN_FILES, verbose=True)val_nodes = load_corpus(VAL_FILES, verbose=True)# openai-like兼容大模型llm = OpenAILike(model=os.getenv("LLM_MODEL"),api_base=os.getenv("OPENAI_API_BASE"),api_key=os.getenv("OPENAI_API_KEY"),temperature=0.7,)train_dataset = generate_qa_embedding_pairs(llm=llm, nodes=train_nodes)val_dataset = generate_qa_embedding_pairs(llm=llm, nodes=val_nodes)train_dataset.save_json(TRAIN_CORPUS_FPATH)val_dataset.save_json(VAL_CORPUS_FPATH)mk_dataset()
关键点：
SimpleDirectoryReader：自动读取PDF文档SentenceSplitter：将文档切分为合适的文本块generate_qa_embedding_pairs：使用LLM自动生成问答对，无需人工标注！一共生成2个json,分别为微调所使用的训练集和 验证集。
可以使用任意平台的大模型,为了生成高质量的数据集，尽量选择能力强的大模型；这里使用硅基平台的，
3.2 第二步：模型微调
有了训练数据，接下来就是微调模型。LlamaIndex提供了SentenceTransformersFinetuneEngine，封装了所有复杂的训练逻辑。
# 2-fine_tune.pyfrom llama_index.finetuning import SentenceTransformersFinetuneEnginefrom llama_index.core.evaluation import EmbeddingQAFinetuneDatasetimport osBASE_DIR = r"D:\Test\embedding_ft\data"TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")def finetune_embedding_model():# 加载训练集和验证集train_dataset = EmbeddingQAFinetuneDataset.from_json(TRAIN_CORPUS_FPATH)val_dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)# 使用本地模型路径model_path = os.path.join(".", "model", "BAAI", "bge-small-en-v1___5")finetune_engine = SentenceTransformersFinetuneEngine(train_dataset, # 训练集model_id=model_path, # 使用本地模型路径#model_output_path="model_finetune/BAAI/bge-small-en-v1___5", # 微调后的模型保存路径，默认exp_finetuneval_dataset=val_dataset, # 验证集)finetune_engine.finetune() # 直接微调embed_model = finetune_engine.get_finetuned_model()print(embed_model)finetune_embedding_model()
关键点：
使用
bge-small-en-v1.5作为基础模型（你也可以选择其他模型）；可事先从魔塔社区或者Hugging face上下载模型文件保存到项目的model目录下，项目的目录结构如下:微调后的模型默认保存在
exp_finetune目录，也可以指定到其他目录；整个过程完全自动化，无需手动配置训练参数
3.3 第三步：效果评估
微调完成后，我们需要评估模型效果。这里使用命中率（Hit Rate）作为评估指标。对于每一对（查询，relevant_doc），我们通过查询检索 Top-K 文档，如果结果包含 relevant_doc，那就是命中 。
接下来我们使用在线Embedding模型，本地原Embedding模型，微调后的模型分别评估。代码如下：
# 3-eval_embedding.pyfrom llama_index.core import VectorStoreIndexfrom llama_index.core.schema import TextNodefrom llama_index.core.evaluation import EmbeddingQAFinetuneDatasetfrom llama_index.embeddings.openai_like import OpenAILikeEmbeddingfrom tqdm import tqdmimport pandas as pdimport osfrom dotenv import load_dotenvload_dotenv()BASE_DIR = r"D:\Test\embedding_ft\data"TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")# 评估命中率，def evaluate(dataset,embed_model,top_k=5,verbose=False,):corpus = dataset.corpusqueries = dataset.queriesrelevant_docs = dataset.relevant_docsnodes = [TextNode(id_=id_, text=text) for id_, text in corpus.items()]index = VectorStoreIndex(nodes, embed_model=embed_model, show_progress=True)retriever = index.as_retriever(similarity_top_k=top_k)eval_results = []for query_id, query in tqdm(queries.items()):retrieved_nodes = retriever.retrieve(query)retrieved_ids = [node.node.node_id for node in retrieved_nodes]expected_id = relevant_docs[query_id][0]is_hit = expected_id in retrieved_ids # assume 1 relevant doceval_result = {"is_hit": is_hit,"retrieved": retrieved_ids,"expected": expected_id,"query": query_id,}eval_results.append(eval_result)return eval_resultsif __name__ == "__main__":# 加载评估集dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)# 使用在线的embedding模型Qwen3_Embedding_8B=OpenAILikeEmbedding(model_name=os.getenv("EMBEDDING_MODEL"),api_base=os.getenv("OPENAI_API_BASE"),api_key=os.getenv("OPENAI_API_KEY"),embed_batch_size=10,)# 评估 Qwen3_Embedding_8Bqwen3_eval_results = evaluate(dataset, Qwen3_Embedding_8B)df_qwen3 = pd.DataFrame(qwen3_eval_results)hit_rate_qwen3 = df_qwen3["is_hit"].mean()print(f"Qwen3_Embedding_8B 命中率为: {hit_rate_qwen3}")# 评估 orgin-bgebge = r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5"bge_eval_results = evaluate(dataset, bge)df_bge = pd.DataFrame(bge_eval_results)hit_rate_bge = df_bge["is_hit"].mean()print(f"orgin-bge 命中率为: {hit_rate_bge}")# 评估 finetune-bgebge = r"local:D:\Test\embedding_ft\exp_finetune"bge_eval_results = evaluate(dataset, bge)df_bge = pd.DataFrame(bge_eval_results)hit_rate_bge = df_bge["is_hit"].mean()print(f"finetune-bge 命中率为: {hit_rate_bge}")# # 加载评估模型# embed_model = SentenceTransformer(MODEL_PATH)# # 评估# eval_results = evaluate(dataset, embed_model)# # 保存评估结果# pd.DataFrame(eval_results).to_csv("eval_results.csv", index=False)
结果如下：
Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:06<00:00, 8.89it/s] 100%|█████████████████████████████████████████████████████████████████| 89/89 [00:28<00:00, 3.16it/s] Qwen3_Embedding_8B 命中率为: 0.25842696629213485Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:04<00:00, 13.36it/s] 100%|█████████████████████████████████████████████████████████████████| 89/89 [00:00<00:00, 90.79it/s] orgin-bge 命中率为: 0.0898876404494382Generating embeddings: 100%|██████████████████████████████████████████| 55/55 [00:04<00:00, 11.92it/s] 100%|█████████████████████████████████████████████████████████████████| 89/89 [00:01<00:00, 86.91it/s] finetune-bge 命中率为: 0.23595505617977527
命中率明显提升了！从 0.08提升到0.23 。
评估指标说明：
命中率（Hit Rate）：在Top-K检索结果中，正确答案出现的比例。
这是RAG系统最核心的评估指标，直接反映了检索质量
四、实际效果展示
在实际项目中，我们使用《中华人民共和国证券法》作为训练数据，微调后的模型在专业领域的检索效果显著提升：
| 模型 | 命中率 | 提升幅度 |
|---|---|---|
| 原始BGE-small-en-v1.5 | 8.9% | - |
| 微调后BGE模型 | 23.5% | +14.6% |
关键发现：
微调后的模型对专业术语的理解更加准确
领域相关的查询检索效果明显提升
在特定业务场景下，效果提升可达20%以上
评估器也可以sentence_transformers的信息检索评估器，它提供了更全面的指标套件，我们只能用兼容句子变换器的模型（开源和我们微调的模型， 不能用 OpenAI 嵌入模型）进行比较。
from llama_index.core import VectorStoreIndexfrom llama_index.core.schema import TextNodefrom llama_index.core.evaluation import EmbeddingQAFinetuneDatasetfrom llama_index.embeddings.openai_like import OpenAILikeEmbeddingfrom sentence_transformers.evaluation import InformationRetrievalEvaluatorfrom sentence_transformers import SentenceTransformerfrom pathlib import Pathfrom tqdm import tqdmimport pandas as pdimport osfrom dotenv import load_dotenvload_dotenv()BASE_DIR = r"D:\Test\embedding_ft\data"TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json")VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")def evaluate_st(dataset,model_id,name,):corpus = dataset.corpusqueries = dataset.queriesrelevant_docs = dataset.relevant_docsevaluator = InformationRetrievalEvaluator(queries, corpus, relevant_docs, name=name)model = SentenceTransformer(model_id)output_path = "results/"Path(output_path).mkdir(exist_ok=True, parents=True)return evaluator(model, output_path=output_path)if __name__ == "__main__":# 加载评估集dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)# 评估 orgin-bgebge = r"D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5"bge_eval_results = evaluate_st(dataset, bge, name="orgin_bge")# 评估 finetune-bgebge = r"D:\Test\embedding_ft\exp_finetune"evaluate_st(dataset, bge, name="finetuned_bge")df_st_bge = pd.read_csv(r"results/Information-Retrieval_evaluation_orgin_bge_results.csv")df_st_finetuned = pd.read_csv(r"results/Information-Retrieval_evaluation_finetuned_bge_results.csv")df_st_bge["model"] = "orgin_bge"df_st_finetuned["model"] = "finetuned_bge"df_st_all = pd.concat([df_st_bge, df_st_finetuned])df_st_all = df_st_all.set_index("model")print(df_st_all)
五、技术要点总结
5.1 为什么选择LlamaIndex？
开箱即用：封装了完整的微调流程，无需手动实现训练循环
自动生成训练数据：使用LLM自动生成问答对，大大降低数据准备成本
灵活的模型支持：支持多种Embedding模型（BGE、OpenAI等）
完善的评估工具：内置评估函数，方便对比不同模型效果
5.2 微调的关键技巧
数据质量：训练数据的质量直接影响微调效果，建议使用领域相关的文档
验证集：使用验证集可以监控训练过程，防止过拟合
基础模型选择：选择与你的领域相近的基础模型，效果会更好
评估指标：根据实际业务场景选择合适的评估指标（命中率、NDCG等）
5.3 常见问题
Q: 需要多少训练数据？A: 通常几百到几千条问答对就足够了，LlamaIndex的自动生成功能可以快速创建大量数据。
Q: 微调需要多长时间？A: 取决于数据量和模型大小，通常几小时到一天不等。
Q: 微调后的模型可以用于生产环境吗？A: 可以！微调后的模型可以像普通Embedding模型一样使用，支持本地部署。
六、总结
通过本文的实战教程，我们完成了：
✅ 从PDF文档自动生成训练数据✅ 使用LlamaIndex微调BGE模型✅ 评估并对比微调前后的效果
核心价值：
无需人工标注，LLM自动生成训练数据
三步完成微调，代码简洁易懂
效果显著提升，检索准确率提升14%+
下一步建议：
尝试不同的基础模型（如bge-large、multilingual模型）
优化训练数据质量，使用更专业的文档
探索其他评估指标（NDCG、MRR等）
将微调后的模型集成到生产环境
写在最后：
Embedding模型微调是提升RAG系统效果的关键技术。通过本文的实战教程，相信你已经掌握了完整的微调流程。在实际项目中，根据你的业务场景调整参数和数据，一定能获得更好的效果！
