前言

一個 RAG 問答系統在將原始資料與輸入的問題進行處理時，都必須先經過向量化的步驟，而要向量化就需要透過詞嵌入模型（Embedding Model）。
在我們設置完向量資料庫後，接下來我們就先來看看如何設置一個 Embedding Model。

Embedding Model 的設置

在 Qdrant 官網的 Embedding 文件中有提到，Qdrant 支援所有可用的文字和多模態密集向量 Embedding Model 以及向量嵌入服務，並沒有任何限制，因此，我們就可以使用自己想使用的 Embedding Model

首先，我們先來設置 Embedding Model，在這裡我們示範時是使用 intfloat/multilingual-e5-large 作為我們的 Embedding Model。

# 設置 Embedding Model 的名稱
model_name = 'intfloat/multilingual-e5-large'

# 設置使用的 Embedding Model（intfloat/multilingual-e5-large）
qdrant_client.set_model(model_name, cache_dir="/src/.cache")

在設置好 Embedding Model 後，我們要將經過前處理好的資料，透過 Embedding Model 進行向量化後再加入到 Qdrant 中。

# 設置 Collection 的名稱
collection_name = "{collection_name}"

# 將資料（document_content）加入到 Collection 中
document_content = "量子計算是一種利用量子力學原理..."
qdrant_client.add(
    collection_name=collection_name,
    documents=[document_content],
    metadata=[{"theme": "量子計算"}]
)

依照上述的做法，我們就可以成功將一筆資料（document_content）透過名為 intfloat/multilingual-e5-large 的 Embedding Model 進行向量化後，加入到 Collection 中，並且在該筆資料的 metadata 中記錄了其 theme 為「量子計算」！
接下來，明天我們就來看看如何進行檢索吧～

※ 在 Hugging Face 中有提供一個 Massive Text Embedding Benchmark (MTEB) Leaderboard，提拱大量 Embedding Model 在不同語言中的測試 Benchmark。