在构建检索增强生成（RAG）系统时，选择嵌入模型（Embedding Model）应基于哪些关键因素？请给出选择时的考虑点。

回答思路

1. 【回答框架 1】嵌入模型的核心作用是将文本映射为向量，其质量直接决定检索召回效果。选择时首先考虑模型性能，包括在公开基准（如MTEB）上的得分，以及针对领域数据的测评，因为不同模型在语义相似度、跨语言任务上表现差异显著。
2. 【回答框架 2】其次考虑模型规模与推理成本。大型嵌入模型可能效果更好但延迟高、资源占用大，需根据QPS要求和硬件限制（如GPU显存）平衡。通常使用中等规模模型（如bge-large）可达到不错效果。
3. 【回答框架 3】还需考虑模型的上下文长度限制，因为长文档可能被截断，影响向量表征。若处理长文档，需选择支持较长序列的模型或采用分块策略。
4. 【回答框架 4】此外，需评估模型对特定领域（如代码、医疗、法律）的适配度，可能需在领域语料上微调或选择领域预训练模型。最后，需考虑生态兼容性，如模型是否支持批量推理、是否容易集成到现有框架（如LangChain）。
5. 【回答框架 5】最终应通过离线评估（如召回率、命中率）和在线指标（如用户反馈）进行选择，并在实际数据集上对比候选模型的性能与成本。
6. 【关键点 1】模型性能（如MTEB得分）是首要因素，但需结合领域数据测评。
7. 【关键点 2】模型规模与推理成本需权衡，匹配硬件和延迟要求。
8. 【关键点 3】上下文长度限制影响长文本处理，需配合分块策略。
9. 【关键点 4】领域适配性可通过微调或选择专用模型提升。
10. 【关键点 5】最终选择应基于实际数据集的离线评估和在线反馈。
11. 【易错点 1】过度依赖公开基准，忽视领域数据下的实际表现。
12. 【易错点 2】忽视模型推理延迟和硬件成本，导致系统不可用。
13. 【易错点 3】忽略上下文长度限制，导致长文档信息丢失。