用 text-embedding-3-large 搭建 RAG 知识库：从切块、向量化到检索排序

用 text-embedding-3-large 搭建 RAG 知识库：从切块、向量化到检索排序#

很多 RAG demo 看起来很简单：上传 PDF，提问，AI 回答。

但真正上线时，你会发现问题马上来了：

• 文档太长，直接塞不进上下文
• 关键词搜索找不到语义相近内容
• 用户问法很口语，文档写法很正式
• 搜出来的内容不准，模型就开始编
• 数据一多，检索速度和成本都上来了

text-embedding-3-large 解决的是其中最关键的一环：把问题和文档变成可比较的语义向量。

这篇文章不讲空泛概念，直接从工程角度拆一套可落地的 RAG 流程。

RAG 系统的基本架构#

一个最常见的 RAG 知识库通常分成两条链路。

第一条是离线索引链路：

1. 收集文档
2. 清洗文本
3. 切块 chunking
4. 调用 embedding 模型生成向量
5. 存入向量数据库

第二条是在线问答链路：

1. 用户提问
2. 把问题转成 embedding
3. 在向量库里检索相似文档块
4. 可选：rerank 重新排序
5. 拼接上下文
6. 调用聊天模型生成答案

这个流程里，text-embedding-3-large 主要出现在第 4 步和在线链路第 2 步。

它不负责最终回答，但它决定了模型能不能拿到正确资料。

第一步：准备文档和切块#

RAG 质量很大程度取决于 chunk。

切得太大：召回结果噪声多，模型读到很多无关内容。

切得太小：上下文不完整，模型拿不到足够信息。

一个常用起点：

示例切块代码：

def chunk_text(text, chunk_size=600, overlap=100):
    words = text.split()
    chunks = []
    start = 0

    while start < len(words):
        end = start + chunk_size
        chunk = " ".join(words[start:end])
        chunks.append(chunk)
        start = end - overlap

    return chunks

生产环境不要只按空格切。更好的方式是按标题、段落、列表、代码块边界切。

第二步：用 text-embedding-3-large 生成向量#

下面代码使用 OpenAI 兼容接口。你可以用同一个 SDK 调用 /v1/embeddings。

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://crazyrouter.com/v1"
)

def get_embedding(text: str):
    text = text.replace("\n", " ")
    response = client.embeddings.create(
        model="text-embedding-3-large",
        input=text,
        encoding_format="float"
    )
    return response.data[0].embedding

如果你要控制向量维度，可以加 dimensions 参数：

response = client.embeddings.create(
    model="text-embedding-3-large",
    input=text,
    dimensions=1536,
    encoding_format="float"
)

维度越低，存储和检索成本通常越低；但召回质量可能下降。建议用真实问题集做 A/B 测试。

第三步：存入向量数据库#

小项目可以用本地文件或 SQLite 做 demo，但生产环境建议使用专门的向量数据库。

常见选择：

无论用哪个库，建议每个 chunk 至少保存这些字段：

{
  "id": "doc_001_chunk_003",
  "text": "chunk content here",
  "embedding": [0.0123, -0.0456],
  "metadata": {
    "source": "billing-guide.md",
    "title": "Billing Guide",
    "section": "Token pricing",
    "updated_at": "2026-05-18"
  }
}

Metadata 很重要。它能让你按产品、语言、时间、权限过滤检索结果。

第四步：查询时做语义检索#

当用户提问时，先把问题转成向量，然后在数据库里找相似 chunk。

def retrieve(query: str, vector_db, top_k=5):
    query_vector = get_embedding(query)
    results = vector_db.search(
        vector=query_vector,
        top_k=top_k,
        filter={"language": "zh"}
    )
    return results

如果不用向量数据库，也可以用 numpy 演示 cosine similarity：

import numpy as np

def cosine_similarity(a, b):
    a = np.array(a)
    b = np.array(b)
    return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))

但数据量到几万条以后，就应该换向量数据库了。

第五步：加入 rerank，减少答非所问#

Embedding 检索是“粗召回”。它很快，但不总是最精确。

Rerank 是“精排序”。它会重新判断 query 和候选文档之间的相关性。

推荐流程：

1. embedding 先取 top 20
2. rerank 排序
3. 最终取 top 5 给聊天模型

这样比直接取 embedding top 5 更稳，尤其适合：

• 技术文档问答
• 客服知识库
• 法务/财务资料
• 多语言内容库
• 文档很多、标题相似的场景

Crazyrouter 支持 /v1/rerank 这类重排序端点，你可以把它放在 RAG 检索链路里，作为召回后的精排步骤。

第六步：把检索结果交给聊天模型#

检索到 chunk 后，拼成 prompt：

def build_prompt(question, chunks):
    context = "\n\n".join(
        f"Source: {c['metadata']['source']}\n{c['text']}"
        for c in chunks
    )

    return f"""
你是一个严谨的知识库助手。
只根据下面的资料回答问题。
如果资料里没有答案，就说“资料中没有找到”。

资料：
{context}

问题：{question}
"""

然后调用聊天模型生成答案。

answer = client.chat.completions.create(
    model="gpt-5-mini",
    messages=[{"role": "user", "content": build_prompt(question, chunks)}]
)

print(answer.choices[0].message.content)

这里 embedding 模型和聊天模型各司其职：

• text-embedding-3-large：找相关资料
• gpt-5-mini / Claude / Gemini：根据资料组织答案

text-embedding-3-large 在多语言 RAG 里的优势#

很多团队的文档不是单一语言。

可能有：

• 英文 API 文档
• 中文帮助中心
• 日文用户手册
• 韩文社区文章
• 越南语教程

多语言 RAG 的难点是：用户用一种语言提问，答案可能藏在另一种语言的文档里。

text-embedding-3-large 官方定位是适合英文和非英文任务的高能力 embedding 模型。做跨语言检索时，建议优先把它作为候选模型测试。

但不要只看官方分数。你应该建立自己的评测集：

最终看 top 3 / top 5 召回率。

生产环境优化建议#

1. 增量索引，不要每次全量重建#

文档更新后，只重新向量化变化的 chunk。

给每个 chunk 存 hash：

import hashlib

def content_hash(text):
    return hashlib.sha256(text.encode("utf-8")).hexdigest()

hash 不变就跳过。

2. 使用批量 embedding#

不要一条一条调用。Embeddings API 通常支持批量输入。

response = client.embeddings.create(
    model="text-embedding-3-large",
    input=[chunk1, chunk2, chunk3],
    encoding_format="float"
)

这样更快，也更容易控制请求数。

3. 做 hybrid search#

纯向量搜索有时会漏掉精确关键词，例如错误码、订单号、函数名。

更稳的方式是：

• BM25 / 关键词搜索
• 向量搜索
• 合并结果
• rerank

4. 给答案加引用来源#

不要只输出答案。最好附上引用文档标题和链接。

这会显著提升用户信任，也方便排查错误召回。

5. 分权限检索#

企业知识库一定要做权限过滤。

不要先召回再过滤。应该在向量数据库查询阶段就带上权限条件。

常见问题排查#

什么时候不该用 text-embedding-3-large？#

不是所有项目都需要最高能力 embedding。

这些情况可以先不用：

• 数据量很小，关键词搜索够用
• 只是后台管理工具，对召回质量要求不高
• 预算极紧，且内容主要是单语言 FAQ
• 业务还在 MVP 阶段，没有真实 query 数据

更务实的做法是：先用一组真实问题测试 small 和 large 的召回差异，再决定是否升级。

结论：RAG 的成败，一半在检索#

聊天模型再强，如果上下文拿错了，也只能认真地答错。

text-embedding-3-large 的价值在于让系统能按语义找到资料，而不是只靠关键词碰运气。

如果你要做生产级 RAG，我建议按这个顺序推进：

1. 整理真实文档
2. 做合理切块
3. 用 text-embedding-3-large 建立向量索引
4. 用真实用户问题评测 top 5 召回率
5. 加 rerank
6. 再优化 prompt 和聊天模型

你可以用 OpenAI 兼容 SDK 接入 Crazyrouter embeddings API，同一个 base_url 下同时调用 embedding、rerank 和聊天模型，方便把 RAG 链路串起来。

FAQ#

RAG 知识库一定要用 text-embedding-3-large 吗？#

不一定。它适合高质量、多语言、生产级检索。小项目可以先用成本更低的 embedding 模型做基线。

文档切块多大最合适？#

没有固定答案。技术文档可以从 400-800 tokens 开始，FAQ 可以更短。最终看真实 query 的召回效果。

text-embedding-3-large 可以和 pgvector 一起用吗？#

可以。你可以把生成的向量存到 PostgreSQL 的 pgvector 字段里，再用向量相似度查询。

为什么 embedding 找到了资料，模型还是回答错？#

可能是召回内容有噪声、prompt 没有限制、模型忽略引用，或者问题需要多个文档联合推理。可以加 rerank 和引用约束。

RAG 要不要加 rerank？#

生产环境建议加。Embedding 负责快速召回，rerank 负责精排，组合效果通常更稳。