一段文本既可以被表示为一个稠密向量，也可以被表示为带权重的稀疏词项。BGEM3EmbeddingFunction
封装 BGE-M3 的推理过程，把文本转换成便于 Milvus 索引与检索的表示。
先分清模型与封装接口
BGE-M3 是文本嵌入模型。M3
对应多语言、多功能与多粒度，并不是“图像、音频、文本三种模态”。模型支持稠密检索、稀疏检索和多向量检索三类能力。BGE-M3 模型卡
BGEM3EmbeddingFunction
是集成接口。模型具备三类能力，不代表每个封装默认返回三类结果。Milvus
官方示例展示的返回字段是 dense 和 sparse。Milvus BGE M3
文档
基本用法
下面按照官方文档中的 PyMilvus 导入路径编写。旧资料可能使用
milvus_model.hybrid，应结合实际安装版本检查。
python -m pip install "pymilvus[model]"from pymilvus.model.hybrid import BGEM3EmbeddingFunction
ef = BGEM3EmbeddingFunction(
model_name="BAAI/bge-m3",
device="cpu",
use_fp16=False,
)
documents = ["课程支持回放。", "退费申请需要审核。"]
doc_vectors = ef.encode_documents(documents)
query_vectors = ef.encode_queries(["课程结束后还能看吗？"])
print(doc_vectors.keys())
print(len(doc_vectors["dense"]))
print(doc_vectors["dense"][0].shape)
print(doc_vectors["sparse"].shape)首次运行需要准备依赖与模型权重，CPU
推理耗时取决于机器和文本长度。这里提供接口示例，不代表已经完成本地性能测试。
两种输出怎样理解
| 表示 | 直观含义 | 检索时关注什么 |
|---|---|---|
| dense | 用固定长度向量概括文本 | 语义表达接近程度 |
| sparse | 在词项空间保留少量非零权重 | 词项匹配及其学习到的权重 |
“课程结束后还能看吗”和“支持回放”没有完全相同的表达，稠密检索可能补足这种语义关联；稀疏检索则可能帮助保留型号、术语等具体词项信号。实际是否有效需要用查询集验证。
BGE-M3 的 sparse 输出不是简单计算
BM25。它使用模型学习到的词项权重，不能因为结果稀疏，就把它与传统词频统计公式视为同一个算法。
放回完整的 RAG 流程
文档 → 清洗和切分 → 编码 → 保存 dense、sparse 与文档 ID
查询 → 编码 → 两路召回 → 融合 → 可选重排 → 构建回答上下文两路结果必须能通过同一文档 ID
对齐。检索到的向量还要能回查原文、来源和版本，否则只能找到“相近的数字”，无法提供可引用的证据。
这个类负责编码，不负责自动创建知识库、配置索引、执行融合或生成答案。把这些职责分清，才能定位问题究竟出在表示、召回还是生成环节。