手把手搭建本地 RAG 知识库！实现文档秒检索

上一篇我们分享了如何在本地电脑搭建基础 RAG 系统，支持调用本地或公有云大模型处理各类任务。

这一次，我们聚焦核心需求“创建专属自己的RAG知识库”，让本地文档检索像搜索网页一样高效，全程用开源模型 nomic-embed-text 搞定文档向量化，新手也能轻松上手。

nomic-embed-text 是 Nomic AI 发布的一款开源文本嵌入模型（text embedding model），主要用于将自然语言文本转换为高维向量表示。这些向量可以用于搜索、聚类、语义匹配、推荐、知识图谱、LLM 检索增强（RAG）等任务。

一、基本信息

模型名称：nomic-embed-text
开发团队：Nomic AI（同样开发了 Atlas 可视化平台）
开源协议：Apache 2.0
发布平台：Hugging Face / GitHub / Nomic 官方 API
输入输出：

输入：一段文本（可长可短）
输出：一个固定维度的向量（embedding），如 dim=768 或更高

二、主要特性

开源可商用

完全开源，可自由部署在本地、云端或私有环境中。
无需依赖 OpenAI 或其他闭源 API。

高性能表现

在多项语义相似度、检索任务上与 OpenAI 的 text-embedding-3-large 相媲美。
支持多语言（英语表现最佳，也支持中文、法语等）。

长上下文支持

支持较长输入文本（如几千个 token），方便处理文档类场景。

优化的 embedding 空间

通过对比学习（contrastive learning）训练，使语义相关的句子在向量空间中更接近。

三、性能对比(示例)

模型	维度	是否开源	平均语义相似度	支持语音
nomic-embed-text-v1	768	✅ 是	0.82	多语言
OpenAI text-embedding-3-large	3072	❌ 否	0.84	多语言
all-MiniLM-L6-v2	384	✅ 是	0.78	英语

四、典型应用场景

****🔎语义搜索：基于向量检索文档内容

💬问答系统(RAG)：为 LLM 提供上下文支持

🧩 聚类/分类：分析文本语义相似度

🧠 知识图谱：节点表示学习

💡推荐系统：基于内容的相似度推荐

五、相关版本

版本	发布时间	说明
nomic-embed-text-v1	2014年	首个主要版本，通用文本嵌入模型
nomic-embed-multilingual	预计中	多语言增强版（计划支持更多语言）

六、资源链接

🔗HuggingFace模型页 https://huggingface.co/nomic-ai/nomic-embed-text-v1

🔗Nomic官网 https://www.nomic.ai/

🔗GitHub仓库 https://github.com/nomic-ai

七、本地 RAG 知识库搭建步骤

下载嵌入模型

🔗下载模型 https://ollama.com/library/nomic-embed-text

首先我们复制要下载词嵌入模型名称来做RAG的文档向量化，在本地命令行中输入：

ollama pull nomic-embed-text

下载成功后会显示 "success"。

创建工作区+上传

新建工作区，命名为 “本地知识库”（便于管理）
上传需要检索的文档，支持 Word、PDF、TXT 等格式（我上传了 PowerFlex 结合 VMware 的管理安装手册）

文档向量化 + 存储

AI系统中可以使用不同的模型将文档切片做完向量化（不同的切片对应不同的向量表示），存储到向量数据库中就可以直接基于语义等相似性做检索了。

❗️❗️❗️ 注：真正的RAG是一个较复杂的系统，后续文章中我们会用一张思维导图单独说明RAG中用的各种技术。

下拉对话框，选择：Save and Embed，等待处理完成即可。

精准检索测试

直接问AI关于PDF中的知识点，AI先经过思考之后，检索向量数据库，将参考PDF中向量后的内容给出答案。

我的问题是：VMware ESXi 升级前提条件是什么？

系统快速返回了核心答案，对比官方手册后完全一致，召回率满分，确实和官方手册的文档一致，说明搭建的RAG系统没问题。

八、nomic-embed-text 其他使用方式

除了搭配RAG系统，还能通过两种方式单独使用，满足不同开发需求： 方式 1：通过 Hugging Face Transformers

from sentence_transformers import SentenceTransformer model = SentenceTransformer("nomic-ai/nomic-embed-text-v1") embeddings = model.encode([ "人工智能正在改变世界。", "AI is transforming the world." ]) print(embeddings.shape) # 输出(2, 768)，即2个文本，每个生成768维向量

方式 2：通过 Nomic 官方 API

import requests response = requests.post( "https://api-atlas.nomic.ai/v1/embedding/text", json={"texts": ["Hello world!", "你好，世界！"]} ) print(response.json())

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇