Gemini 嵌入模型在 RAG 和上下文工程中的应用

自 Gemini Embedding 文本模型正式发布以来，我们看到开发者迅速采用它来构建先进的 AI 应用。除了分类、语义搜索和检索增强生成（RAG）等传统用例，许多开发者如今还在运用一种名为上下文工程（context engineering）的技术，为 AI Agent 提供完整的运行上下文。Embedding 在其中至关重要，因为它能够高效识别文档、对话历史和工具定义等关键信息，并将其直接整合到模型的工作记忆中。

下面这些案例展示了各行各业的组织如何利用 Gemini Embedding 模型，为复杂的系统提供支持。

Gemini Embedding 的实际应用

释放全球内容智能的潜力

智能内容管理平台 Box 正在集成 Gemini Embedding，以实现一个关键用例：回答有关复杂文档的问题，并从中提取洞察。在评估过程中，gemini-embedding-001 找到正确答案的比例超过 81%，与其他 Embedding 模型相比，召回率提高了 3.6%。除了性能上的提升，该模型内置的多语言支持对 Box 的全球用户而言也是一项极具潜力的进展，使 Box AI 能够从不同语言和地区的内容中发掘洞察。

提高金融数据分析的准确性

金融科技公司 re:cap 使用 Embedding 对大量 B2B 银行交易进行分类。他们在包含 21,500 笔交易的数据集上，将 gemini-embedding-001 与 Google 之前的模型（text-embedding-004 和 text-embedding-005）进行了基准测试，以衡量其影响。结果发现，gemini-embedding-001 的 F1 分数分别提高了 1.9% 和 1.45%。F1 分数兼顾模型的精确率和召回率，对于分类任务至关重要。这表明，Gemini Embedding 这样能力出色的模型能够直接带来显著的性能提升，帮助 re:cap 为客户提供更精准的流动性洞察。

在法律证据开示中实现语义精确匹配

Everlaw 是一个提供可验证 RAG 的平台，帮助法律专业人士分析大量证据开示文档。该平台需要在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 表现最佳：它能从 140 万份包含行业专用术语和复杂法律术语的文档中找出相关答案，准确率达到 87%，超过 Voyage（84%）和 OpenAI（73%）的模型。

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。这样不仅能将性能损失降至最低，还可以降低存储成本，并提高检索和搜索效率。

提升开发者的代码库搜索体验

开源 AI 编程助手 Roo Code 使用 Gemini Embedding 模型支持代码库索引和语义搜索。由于 Roo Code 会像人类队友一样跨多个文件进行交互，开发者需要的搜索功能不仅要理解语法，还要能够理解意图。

通过将 gemini-embedding-001 与 Tree-sitter 结合，对代码进行符合逻辑的拆分，Roo Code 即使面对不够精确的查询，也能返回高度相关的结果。经过初步测试，他们发现 Gemini Embedding 显著改善了由 LLM 驱动的代码搜索，使其更加灵活、准确，也更符合开发者的工作流程。

提供个性化的心理健康支持

Mindlid 的 AI 健康伙伴利用 gemini-embedding-001 理解对话历史，从而提供能够实时适应用户需求、感知上下文且富有意义的洞察。他们记录了令人印象深刻的性能表现：延迟稳定保持在一秒以内，中位数为 420ms；top-3 召回率达到可量化的 82%，比 OpenAI 的 text-embedding-3-small 高出 4%。

这表明，Gemini Embedding 可以通过提供最相关的信息，提高其 AI 支持服务的相关性和响应速度。

增强 AI 助手的上下文能力与效率

Interaction Co. 正在开发 Poke，这是一款能够自动执行任务并从 Gmail 中提取信息的 AI 邮件助手。Poke 使用 Gemini Embedding 实现两项关键功能：检索用户的“记忆”，以及识别相关邮件来丰富上下文。

集成 gemini-embedding-001 后，Poke 的语言模型能够以更快的速度和更高的精确度检索数据。他们报告称，与 Voyage-2 相比，为 100 封邮件生成 Embedding 的平均耗时大幅减少了 90.4%，仅需 21.45 秒即可完成。

未来 Agent 的基础

随着 AI 系统变得更加自主，其有效性将取决于我们为它们提供的上下文质量。gemini-embedding-001 这类高性能 Embedding 模型，是构建下一代 Agent 的基础组件。这些 Agent 将能够进行推理、检索信息，并代表我们采取行动。

要开始使用 Embedding，请参阅 Gemini API 文档。

性能指标由开发者提供，未经 Google 独立验证。