文章详细介绍了如何使用LlamaIndex微调专属Embedding模型提升RAG系统检索效果。通过三步走策略：生成训练数据集、模型微调和效果评估，实现无需人工标注的自动训练流程。实战代码展示从PDF文档提取文本并生成问答对，微调BGE模型，最终使检索命中率从8.9%提升至23.5%。教程适合开发者快速掌握Embedding模型微调技术，解决通用模型在特定领域的理解不足问题。

---

还在为RAG系统的检索效果不佳而苦恼？通用Embedding模型无法理解你的业务场景？今天，我将带你从零开始，用LlamaIndex微调一个专属的Embedding模型，让检索准确率大幅提升！

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-xxxx
OPENAI_API_BASE=https://api.siliconflow.cn/v1
LLM_MODEL=deepseek-ai/DeepSeek-V3
EMBEDDING_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.py
import json
from llama_index.core import SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
import os
from llama_index.finetuning import generate_qa_embedding_pairs
from llama_index.llms.openai_like import OpenAILike
from dotenv import load_dotenv
load_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 nodes
def 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.py
from llama_index.finetuning import SentenceTransformersFinetuneEngine
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
import os
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 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_finetune
val_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.py
from llama_index.core import VectorStoreIndex
from llama_index.core.schema import TextNode
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
from tqdm import tqdm
import pandas as pd
import os
from dotenv import load_dotenv
load_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.corpus
queries = dataset.queries
relevant_docs = dataset.relevant_docs
nodes = [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 doc
eval_result = {
"is_hit": is_hit,
"retrieved": retrieved_ids,
"expected": expected_id,
"query": query_id,
}
eval_results.append(eval_result)
return eval_results
if __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_8B
qwen3_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-bge
bge = 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-bge
bge = 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: 0.25842696629213485
Generating 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: 0.0898876404494382
Generating 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 VectorStoreIndex
from llama_index.core.schema import TextNode
from llama_index.core.evaluation import EmbeddingQAFinetuneDataset
from llama_index.embeddings.openai_like import OpenAILikeEmbedding
from sentence_transformers.evaluation import InformationRetrievalEvaluator
from sentence_transformers import SentenceTransformer
from pathlib import Path
from tqdm import tqdm
import pandas as pd
import os
from dotenv import load_dotenv
load_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.corpus
queries = dataset.queries
relevant_docs = dataset.relevant_docs
evaluator = 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-bge
bge = 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-bge
bge = 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？

1. 开箱即用：封装了完整的微调流程，无需手动实现训练循环
2. 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
3. 灵活的模型支持：支持多种Embedding模型（BGE、OpenAI等）
4. 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

1. 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
2. 验证集：使用验证集可以监控训练过程，防止过拟合
3. 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
4. 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：

1. 尝试不同的基础模型（如bge-large、multilingual模型）
2. 优化训练数据质量，使用更专业的文档
3. 探索其他评估指标（NDCG、MRR等）
4. 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！

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）