Gemini Embedding模型自发布以来，已被广泛应用于构建高级AI应用，如分类、语义搜索和检索增强生成（RAG）。开发者还通过上下文工程技术，将文档、对话历史和工具定义等关键信息整合到模型的工作记忆中。例如，Box平台利用该模型从复杂文档中提取答案和洞察，准确率超过81%。该模型在各行业中推动了复杂系统的发展。

标题：Gemini Embedding：推动RAG与上下文工程

发布日期：2025年7月30日

自宣布Gemini Embedding文本模型全面可用以来，开发者迅速采用该模型构建先进的AI应用。除了传统的分类、语义搜索和检索增强生成（RAG）等用例外，许多开发者现在使用一种称为“上下文工程”的技术，为AI代理提供完整的操作上下文。嵌入模型在此过程中至关重要，因为它们能高效识别并整合关键信息（如文档、对话历史和工具定义），直接将其融入模型的工作记忆。

以下示例展示了各行业组织如何利用Gemini Embedding模型推动复杂系统的发展。

全球内容智能中的能力释放

智能内容管理平台Box正在集成Gemini Embedding，以支持从复杂文档中提取答案和洞察的关键用例。在评估中，gemini-embedding-001在81%的情况下找到了正确答案，召回率比其他嵌入模型提高了3.6%。此外，该模型的多语言支持为全球用户提供了显著优势，使Box AI能够从不同语言和地区的内容中提取洞察。

提高金融数据分析的准确性

金融科技公司re:cap使用嵌入模型对大量B2B银行交易进行分类。通过在与之前Google模型（text-embedding-004和text-embedding-005）的基准测试中，gemini-embedding-001在21,500笔交易数据集上的F1分数分别提高了1.9%和1.45%。F1分数是衡量模型精确率和召回率的平衡指标，对于分类任务至关重要。这表明Gemini Embedding直接推动了显著的性能提升，帮助re:cap为客户提供更精准的流动性洞察。

在法律发现中实现语义精确性

法律发现平台Everlaw需要从数百万份专业文本中进行精确的语义匹配。通过内部基准测试，Everlaw发现gemini-embedding-001在从140万份包含行业特定和复杂法律术语的文档中提取相关答案时，准确率达到87%，超越了Voyage（84%）和OpenAI（73%）模型。此外，Gemini Embedding的Matryoshka特性使Everlaw能够使用紧凑的表示形式，将关键信息集中在更少的维度中，从而减少性能损失、降低存储成本并提高检索效率。

提升开发者代码库搜索体验

开源AI编码助手Roo Code使用Gemini Embedding模型为其代码库索引和语义搜索提供支持。开发者需要的是能够理解意图而不仅仅是语法的搜索功能。通过将gemini-embedding-001与Tree-sitter结合进行逻辑代码分割，Roo Code即使在查询不精确的情况下也能提供高度相关的结果。初步测试表明，Gemini Embedding显著提升了其基于LLM的代码搜索功能，使其更加灵活、准确，并与开发者工作流程保持一致。

提供个性化的心理健康支持

AI健康伴侣Mindlid利用gemini-embedding-001理解对话历史，从而提供上下文感知的实时洞察。他们记录了令人印象深刻的性能：持续亚秒级延迟（中位数：420毫秒）和82%的top-3召回率，比OpenAI的text-embedding-3-small提高了4%。这表明Gemini Embedding通过提供最相关的信息，提升了AI支持的相关性和速度。

增强AI助手的上下文和效率

Interaction Co.正在构建AI邮件助手Poke，该助手可自动化任务并从Gmail中提取信息。Poke使用Gemini Embedding进行两项关键功能：检索用户“记忆”和识别相关邮件以增强上下文。通过集成gemini-embedding-001，Poke的语言模型能够以更高的速度和精确度检索数据。他们报告称，与Voyage-2相比，嵌入100封邮件的平均时间减少了90.4%，仅需21.45秒。

未来代理的基础

随着AI系统变得更加自主，其有效性将取决于我们提供的上下文质量。高性能的嵌入模型如gemini-embedding-001是构建下一代代理的基础，这些代理能够推理、检索信息并代表我们采取行动。

要开始使用嵌入模型，请访问Gemini API文档。

性能指标由开发者提供，未经Google独立确认。

1. Matryoshka嵌入技术的优势

   • 评论1指出，Gemini嵌入模型使用Matryoshka表示学习技术，能够生成高维嵌入，且初始段（前缀）同样有效，节省存储空间并提高计算效率。
   • 关键引用：
     • "The Gemini embedding model, gemini-embedding-001, is trained using the Matryoshka Representation Learning (MRL) technique..."
     • "looks like even the 256-dim embeddings perform really well."

2. 嵌入与代理搜索的对比

   • 评论2提出疑问，对于文本搜索，嵌入是否仍然比代理搜索更有价值，尤其是在处理大量文本文件时。
   • 关键引用：
     • "are embeddings still worth it compared to agentic search for text?"
     • "is it better to save all of their embeddings in a VDB and use that, or are LLMs now good enough..."

3. Google嵌入模型的频繁弃用问题

   • 评论3提到Google对旧嵌入模型的频繁弃用，导致用户需要定期重新处理数据，增加了成本。
   • 关键引用：
     • "how are you finding Google's aggressive deprecation of older embedding models?"
     • "Feels like you have to pay to rerun your data through every 12 months."

4. 工具调用对RAG的影响

   • 评论4认为工具调用削弱了RAG（检索增强生成）的作用，但同时也减少了对检索数据注入的控制。
   • 关键引用：
     • "I feel like tool calling killed RAG..."
     • "however you have less control over how the retrieved data is injected in the context."

5. 嵌入在模型工作内存中的作用

   • 评论5对嵌入如何直接进入模型的工作内存表示困惑，认为嵌入主要用于向量数据库中的相似性搜索，而非直接输入到LLM中。
   • 关键引用：
     • "Embeddings are crucial here, as they efficiently identify and integrate vital information..."
     • "I don't actually send the embeddings themselves to the LLM."

6. 开源嵌入模型的推荐

   • 评论6询问是否有推荐的开源嵌入模型，提到Nomic。
   • 关键引用：
     • "What open embeddings models would people recommend. Still Nomic?"

7. MTEB排行榜与自定义数据集的重要性

   • 评论7建议参考MTEB排行榜，并强调使用自定义数据集测试模型的重要性。
   • 关键引用：
     • "It's always worth checking out the MTEB leaderboard..."
     • "Another benefit of having your own test dataset, is that it can grow as your data grows."