适用于个人开发、中小型项目的Embedding方案（配合ChromaDB）

本地模型，可离线部署（免费）

类名	模型示例	模型来源	是否开源	说明
SentenceTransformerEmbeddingFunction	all-MiniLM-L6-v2 bge-small-en gte-base-zh	Hugging Face（sentence-transformers）	是	主流免费模型，支持本地运行，无需联网。体积小，速度快，适合入门和中小型项目。
InstructorEmbeddingFunction	hkunlp/instructor-xl intfloat/e5-base	Hugging Face	是	可带指令说明，如 "query:..."，提升 query 对 passage 的匹配精度，RAG 中表现优异。
自定义类（需手写 wrapper）	任意 HuggingFace 模型（如 moka-ai/m3e-base、intfloat/multilingual-e5-base） 本地量化模型	Hugging Face / 本地下载	是	可使用自定义代码加载模型并生成向量，适合高级用户或特殊需求，如中文多语种、跨域场景。

付费方案：

类名	服务商	模型名示例	是否联网	定价情况
OpenAIEmbeddingFunction	OpenAI	text-embedding-3-small``text-embedding-ada-002	是	按 token 计费，约 $0.0001/1K tokens（Ada）
CohereEmbeddingFunction	Cohere	embed-english-light-v3.0``embed-multilingual-v3.0	是	按请求计费，具体看订阅计划，起步免费额度后按量计费

使用 SentenceTransformerEmbeddingFunction

from chromadb.utils.embedding_functions import SentenceTransformerEmbeddingFunction

# 创建一个嵌入函数实例
embedding_fn = SentenceTransformerEmbeddingFunction(model_name="all-MiniLM-L6-v2")

# 对文本进行向量化
texts = ["China is a country", "Beijing is the capital"]
vectors = embedding_fn(texts)
print(vectors)  # 输出为二维数组，每行为一个向量

---

• 使用 InstructorEmbeddingFunction（支持指令式格式）

from chromadb.utils.embedding_functions import InstructorEmbeddingFunction

# e5/instructor 模型要求输入带前缀，例如 query: or passage:
embedding_fn = InstructorEmbeddingFunction(model_name="hkunlp/instructor-xl")

# 示例（用于检索任务）
texts = ["query: What is the capital of China?"]
vectors = embedding_fn(texts)

• 使用"自定义类"

适用于需要特殊处理逻辑的情况

from transformers import AutoTokenizer, AutoModel
import torch
import numpy as np

class MyEmbeddingFunction:
    def __init__(self, model_name="intfloat/multilingual-e5-base"):
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModel.from_pretrained(model_name)

    def __call__(self, texts):
        # 前缀很重要
        inputs = self.tokenizer(["query: " + t for t in texts], return_tensors="pt", padding=True, truncation=True)
        with torch.no_grad():
            outputs = self.model(**inputs)
            embeddings = outputs.last_hidden_state[:, 0, :]  # [CLS] 向量
            return embeddings.cpu().numpy()

# 使用方法
embedding_fn = MyEmbeddingFunction()
vectors = embedding_fn(["你好，世界", "中国的首都是哪里？"])

可以把这个类传给 Chroma 的 embedding_function=... 参数来完成定制化集成。

省流选择总结

方案	特点	推荐场景
SentenceTransformerEmbeddingFunction	小巧，速度快，部署简单	快速开发、中小项目、嵌入不复杂
InstructorEmbeddingFunction	检索效果佳，适合加 prefix	高质量检索、结构化问题任务
自定义类	灵活，可对接各种本地模型或量化模型	中文、多语言、自定义逻辑