FlagEmbedding

一站式搞定文本嵌入与重排序，让RAG检索又快又准

FlagEmbedding 是一个专注于检索与检索增强大语言模型（RAG）的开源工具库，由北京智源人工智能研究院（BAAI）开发。它解决了文本嵌入（Embedding）和重排序（Rerank）在信息检索、语义相似度计算及RAG场景中的工程化难题，提供了一整套训练、微调、推理和部署的解决方案。核心能力包括：支持多种预训练嵌入模型（如BGE系列）和重排序模型，提供统一的API接口，便于快速集成；内置高效的训练脚本，支持大规模数据分布式训练和自定义损失函数；同时提供了模型压缩、量化等优化工具，降低推理成本。该库在学术界和工业界广泛应用，是构建高质量检索系统和RAG应用的基础设施之一。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 12185

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队FlagOpen

所属国家

官网地址http://www.bge-model.com

GitHubhttps://github.com/FlagOpen/FlagEmbedding

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型embeddings,information-retrieval,llm,retrieval-augmented-generation,sentence-embeddings,text-semantic-similarity

GitHub 星标★ 12185

30天Star增速

HF 下载量

上线时间2023-08-02 00:00:00

最近更新2026-09-22 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

难度：入门约 10 分钟部署方式：库/依赖 7 步

环境要求

已安装 Python 与 pip 环境
已安装 git 用于克隆仓库
如需微调模型，需额外安装 finetune 附加依赖
首次加载模型需要能访问 HuggingFace 下载权重

安装与启动步骤

1克隆代码仓库

从 GitHub 拉取 FlagEmbedding 源码，后续的安装与示例都在这个目录里进行。
```
git clone https://github.com/FlagOpen/FlagEmbedding.git
```
2进入项目目录

切换到刚克隆下来的 FlagEmbedding 目录，pip 安装命令需要在该目录下执行。
```
cd FlagEmbedding
```
3安装基础依赖

只做推理、不微调模型时，直接安装基础包即可，无需 finetune 相关依赖。
```
pip install .
```
4安装微调依赖

需要微调模型时，改用带 finetune 附加依赖的安装方式；README 中该命令默认被注释。
```
pip install .[finetune]
```
5可编辑模式安装

开发调试时可用 -e 可编辑安装，改源码立即生效；若要微调则加 .[finetune]。
```
pip install -e .
```

6加载嵌入模型

用 FlagAutoModel 加载 BGE 模型，首次运行会下载权重，GPU 上可开启 use_fp16 加速。

from FlagEmbedding import FlagAutoModel

model = FlagAutoModel.from_finetuned('BAAI/bge-base-en-v1.5',
                                      query_instruction_for_retrieval="Represent this sentence for searching relevant passages:",
                                      use_fp16=True)

7编码并算相似度

对两组句子做 encode 得到向量，再用矩阵内积计算相似度，确认模型工作正常。

sentences_1 = ["I love NLP", "I love machine learning"]
sentences_2 = ["I love BGE", "I love text retrieval"]
embeddings_1 = model.encode(sentences_1)
embeddings_2 = model.encode(sentences_2)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)

关键配置

配置项	必填	说明	示例
`BAAI/bge-base-en-v1.5`	是	from_finetuned 指定的要加载的 BGE 模型标识	`BAAI/bge-base-en-v1.5`
`query_instruction_for_retrieval`	否	检索场景下加在查询前的指令前缀，用于提升检索效果	`Represent this sentence for searching relevant passages:`
`use_fp16`	否	是否使用半精度推理，可降低显存占用、提升速度	`True`

如何确认成功

示例代码运行后能正常打印出 embeddings_1 与 embeddings_2 的内积相似度矩阵，且过程中无报错。

常见问题

Q：只做推理，还需要装 finetune 依赖吗？

A：不需要。README 明确说明若不微调模型，直接 pip install . 安装基础包即可；只有微调时才安装 .[finetune]。

Q：安装命令要在哪个目录执行？

A：必须先 git clone 仓库并 cd FlagEmbedding 进入项目目录，再执行 pip install . 等命令。

Q：想边改代码边调试怎么办？

A：使用可编辑模式安装：pip install -e .（需要微调时用 pip install -e .[finetune]），修改源码后无需重新安装。

Q：想找更多推理、微调、评测示例去哪里？

A：README 指向 examples 目录：inference/embedder、inference/reranker、finetune/embedder、finetune/reranker 和 evaluation。

Q：不理解相关概念怎么办？

A：可查看仓库中的 Tutorials 教程目录，README 说明如仍缺少想要的主题可以向项目方反馈。

注意事项

README 未指定 Python 版本，请使用带 pip 的 Python 3 环境。
首次加载 BAAI/bge-base-en-v1.5 会联网下载模型权重，需保证网络可达 HuggingFace。
query_instruction_for_retrieval 使用英文指令前缀，注意与模型语言匹配。

核心亮点

BGE系列模型在MTEB等榜单上表现领先，检索效果有保障
提供完整的训练、微调、推理流程，从研究到部署无缝衔接
支持多种主流嵌入模型和重排序模型，接口统一，切换成本低

不足之处

文档偏学术化，新手入门门槛较高
部分高级功能依赖特定硬件（如GPU），CPU推理性能一般

适用场景

构建企业级知识库问答系统，提升检索准确率
语义搜索、相似文本匹配等NLP应用开发
学术研究，快速复现和对比最新嵌入模型效果

替代项目

sentence-transformers、text-embeddings-inference、Cohere Embed

项目介绍

FlagEmbedding 是开发框架领域的开源项目，由 FlagOpen 开发，2023 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（12,185）位列前 4%，在开发框架分类的 803 个项目里位列前 5%。

近 41 天，它的 GitHub 星标从 12,042 增加到 12,185，净增 143。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：构建企业级知识库问答系统，提升检索准确率。同类可对比的替代方案包括 sentence-transformers、text-embeddings-inference、Cohere Embed。

上一篇：PaddleNLP

下一篇：awesome-langchain