RAG（检索增强生成)是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示(Prompt)输入给大型语言模型(LLMs)，以增强模型处理知识密集型任务的能力，主要包括文本向量化，向量化检索，大语言模型根据检索结果生成。

趋动云推出了基于【embeddinggemma-300m】文本嵌入模型和【qwen3-14b】文本生成模型的简易知识检索增强生成（RAG）项目示例。该示例为大家快速搭建定制化RAG系统提供了坚实基础，可在此基础上进一步扩展与优化，构建更完善、更专业的知识检索与生成应用。

模型关键特性

• 模型规模与上下文长度
  参数量约为 308M，支持最长 2K tokens 的上下文窗口，默认输出向量维度为 768。
• 多语言支持
  训练语料涵盖 100 多种语言。
• 嵌套
  支持将 768 维的嵌入向量截断为 512/256/128 等更短维度，兼顾效率与效果。
• 工程优化
  支持量化感知训练与设备端优化，量化后模型大小可控制在 200MB 以内。

官方链接：https://ai.google.dev/gemma/docs/embeddinggemma?hl=zh-cn

【embeddinggemma-300m】模型已经在趋动云『社区项目』上线，无需自己创建环境、下载模型，一键即可快速部署，快来体验 【embeddinggemma-300m】带来的精彩体验吧！

项目入口

项目入口

视频教程

启动开发环境

进入【embeddinggemma-300m】项目主页中，点击运行一下，将项目一键克隆至工作空间，『社区项目』推荐适用的算力规格，可以直接立即运行，省去个人下载数据、模型和计算算力的大量准备时间。

配置完成，点击进入开发环境，根据主页项目介绍进行部署。

使用方法

在gemini/code/rag_tiny中找到使用说明，选中使用说明单元格，点击运行。

等待生成local URL，右侧添加端口7860。

使用前，将本地文档上传至开发环境，并在系统配置中指定这些文档所在路径（该路径必须是一个文件夹）。

输入问题，点击“查询并回答”，即可完成智能问答。

示例展示

➫温馨提示： 完成项目后，记得及时关闭开发环境，以免继续产生费用！

趋动云新客专享活动（限时有效）做任务净得190元算力金，点击下方👇👇👇海报了解活动详情，完成任务的小伙伴添加下方小助手提供完成截图领取赠送算力金。

智汇全球，趋动未来

『社区项目』汇聚全球智慧，是促进技术交流的宝贵平台，期待每一位AI爱好者体验一键部署功能的强大魅力。

同时，我们也热切盼望每一位码友加入，分享您的精品作品，共筑这个充满活力与创新的技术乐园。