Hi大家好，
這是我參加 iT 邦幫忙鐵人賽的第 1 次挑戰，這次的主題聚焦在結合 Python 爬蟲、RAG（檢索增強生成）與 AI，打造一套 PTT 文章智慧問答系統。在過程中，我會依照每天進度上傳程式碼到 GitHub ，方便大家參考學習。也歡迎留言或來信討論，我的信箱是 gerryearth@gmail.com。

今天我們要探討 Embedding 模型，這是實作 語意檢索 與 RAG（檢索增強生成） 的核心技術之一。
Embedding 的品質，會直接影響檢索的精準度，因此選擇合適的模型非常重要。

今日目標

• 認識什麼是 Embedding 模型
• 比較市面上常見的 Embedding 模型
• 評估模型在語意檢索中的表現與適用性
• 決定本專案要採用哪個模型並說明原因

什麼是 Embedding 模型？

Embedding（向量表示）是一種將文字轉換為向量空間中的數值表示的方法。
在語意檢索中，我們會將文章內容與使用者查詢都轉換成向量，然後透過**餘弦相似度（Cosine Similarity）**或其他距離度量來計算它們之間的語意相似度。

Embedding 模型可以：

• 將相似語意的句子投射到接近的向量空間
• 能處理多語言（例如英文與中文，如果支援的話）
• 兼顧準確度、效能與成本

常見的 Embedding 模型比較

參考 文章 與多方測試，以下是市面上主流的幾個 Embedding 模型：

從測試結果觀察

根據表格 Embedding Model Leaderboard，可以發現：

• Google gemini-embedding-001 的整體分數表現最佳，尤其在多語言（含中文）場景中具備優勢。
• OpenAI 的模型在英文效果很好，但中文檢索的語意一致性稍微落後。
• Cohere 在多語場景也不錯，但成本與效果綜合評估不如 Google。
• 開源模型（如 Sentence-BERT）適合自建，但需要 GPU 資源與調優，對於快速開發的專案不友善。

為什麼選擇 Google gemini-embedding-001？

理由很簡單，總結三大關鍵：

表現最佳：在多個基準測試（包括語意相似、檢索效果）中領先
支援中文：PTT 資料是中文為主，這點非常重要
免費額度：Google 提供一定的免費額度，非常適合學習與開發

因此，對於我們的 PTT 文章智慧問答系統，選擇 Google gemini-embedding-001 作為主要的 Embedding 模型，能在效能與成本之間達到最佳平衡。

【Day 25】如何降低向量資料庫的成本 - 最佳化策略分享：我們將深入探討 如何降低向量資料庫的使用成本，分享幾個常見的成本壓縮手法，並結合實際案例分析。