你有沒有試過，明明公司內部文件就放在共用雲端，搜尋「報價單」卻什麼都找不到，只因為檔名寫的是「Quotation_v3_final」？或者你的 AI 客服被客人問「點解收唔到貨」，卻因為知識庫裡寫的是「物流延誤處理流程」而完全答不上話？
這些問題的根源都一樣：傳統關鍵字搜尋只看字面，不懂意思。而解決方法，就是今天要教你的「嵌入模型」（Embedding Model）。
Google 剛發布的 EmbeddingGemma 2，是一個只有 3 億參數等級的開源多模態嵌入模型，可以在你的筆電上離線跑，還能同時處理文字和圖片。這篇文章會帶你從零開始，用大約 30 分鐘，建立一套屬於你自己的語義搜尋系統。不需要 GPU，不需要付 API 費用，MacBook Air 就做得到。
嵌入模型到底在做什麼？為什麼它比關鍵字搜尋強？
先講一個具體場景。假設你手上有 500 份香港中小企的採購文件，你想找出「所有關於付款期限的條款」。
用傳統搜尋，你得猜關鍵字：打「付款」可能漏掉寫「Payment」的、打「期限」可能漏掉寫「30 days net」的。你要試五六次，還是找不齊。
嵌入模型的做法完全不同。它把每一段文字轉換成一串數字（通常幾百到幾千個維度），這串數字叫做「向量」。語義相近的文字，向量距離就接近。所以「付款期限」和「Payment terms」的向量會靠得很近，即使它們一個中文字都沒有重疊。
這就是語義搜尋的核心。你不需要猜關鍵字，只要用自然語言描述你想找什麼，系統就會把最接近的內容排前面。
EmbeddingGemma 2 更進一步：它同時支援文字和圖片。意思是你可以用一句「紅色包裝的產品照」去搜尋一堆商品圖，或反過來用一張圖去搜尋相關文件。對做電商、做內容管理的香港台灣團隊來說，這個能力非常實用。
怎麼安裝？三步驟在本地跑起來
第一步，建立環境。打開終端機，執行：
pip install -U sentence-transformers pillow第二步，載入模型。EmbeddingGemma 2 已經上架 Hugging Face，第一次執行會自動下載約 1.2GB 的權重檔：
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("google/embeddinggemma-2")第三步，測試一下。我們用三句中文，看看模型懂不懂語義：
texts = [
"客戶投訴貨物延誤",
"物流配送時間比預期長",
"今天天氣很好"
]
emb = model.encode(texts, normalize_embeddings=True)
# 計算相似度
import numpy as np
sim = emb @ emb.T
print(sim[0][1]) # 應該接近 0.8 以上
print(sim[0][2]) # 應該明顯偏低跑出來你會看到，第一句和第二句的相似度很高（因為語義接近），第三句則明顯偏低。這就是模型「懂意思」的證明。
小提醒：normalize_embeddings=True 這個參數很重要，它讓向量長度標準化，之後算相似度只要做內積就好，速度快很多。第一次跑會下載模型，香港的網路環境大概等 2 到 5 分鐘。
實戰：用 50 行程式碼做出你的語義搜尋引擎
現在來做真的。以下程式碼可以直接複製使用，我加了中文註解：
import numpy as np
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("google/embeddinggemma-2")
# 1. 你的文件庫（實際使用時可從 CSV 或資料庫讀取）
docs = [
"本公司報價單有效期為三十天，逾期需重新確認。",
"付款條件為月結三十日，逾期將收取利息。",
"退貨需於收貨後七日內提出，並保留原包裝。",
"送貨範圍覆蓋香港島、九龍及新界，離島另議。",
"保固期為一年，人為損壞不在保固範圍內。",
]
# 2. 先把所有文件轉成向量（只需做一次）
doc_vecs = model.encode(docs, normalize_embeddings=True)
def search(query, top_k=2):
q_vec = model.encode([query], normalize_embeddings=True)[0]
scores = doc_vecs @ q_vec # 餘弦相似度
idx = np.argsort(-scores)[:top_k] # 由高到低排序
return [(docs[i], float(scores[i])) for i in idx]
# 3. 試搜尋
for text, score in search("幾時要俾錢？"):
print(f"{score:.3f} {text}")執行結果會是：
0.812 付款條件為月結三十日，逾期將收取利息。
0.556 本公司報價單有效期為三十天，逾期需重新確認。注意看，你問的是廣東話口語「幾時要俾錢」，文件裡完全沒有這些字，但模型還是精準命中付款條款。這就是語義搜尋的威力。
如果你要處理上千份文件，只要把 doc_vecs 存成 .npy 檔，下次直接載入，不用重新編碼。5000 份文件在一般筆電上編碼大約 1 到 2 分鐘，之後每次搜尋都是毫秒級。
圖片也能搜？多模態嵌入的三個實用場景
EmbeddingGemma 2 的多模態能力，對香港台灣的團隊特別有用。以下三個場景你可以直接套用：
場景一：電商商品圖搜尋。 客人上傳一張「米白色針織外套」的照片，系統自動找出店內相似商品，不用客人自己想關鍵字。做法是把商品圖全部預先編碼成向量，收到查詢圖時算相似度即可。
場景二：設計素材管理。 設計師常說「我要上次那個藍綠色漸層的 banner」，用文字描述去搜圖庫，比翻資料夾快十倍。
場景三：文件截圖檢索。 很多合約、發票是掃描圖。你可以用文字查詢去搜尋這些圖片內容，等於幫舊文件做了 OCR 之外的語義索引。
程式碼上，圖片編碼只差一行：
from PIL import Image
img = Image.open("product.jpg")
img_vec = model.encode(img, normalize_embeddings=True)之後把圖片向量和文字向量放在同一個空間比較，就能做到跨模態搜尋。這是 EmbeddingGemma 2 最被低估的功能。
接到 RAG 系統：讓你的 AI 客服不再胡說
如果你正在做 AI 客服或內部問答機器人，嵌入模型就是 RAG（檢索增強生成）的心臟。流程是這樣：使用者提問 → 用嵌入模型找出最相關的三五段文件 → 把這些段落塞進 LLM 的提示詞 → LLM 根據真實資料回答。
這樣做最大的好處是大幅降低幻覺。模型不再憑記憶亂答，而是根據你提供的文件回答，還能附上出處。
實作上，你可以把上面 search() 函式回傳的內容，組成提示詞：
context = "\n".join([d for d, _ in search(user_question, top_k=3)])
prompt = f"根據以下資料回答問題，若資料不足請說不知道。\n\n資料：\n{context}\n\n問題：{user_question}"把 prompt 丟給任何 LLM，回答品質會比直接問高出一大截。對中小企業來說，這等於用零成本建立了一套私有知識庫問答系統，資料完全不出公司。
重點回顧：今天你學會了什麼
我們從「為什麼關鍵字搜尋不夠用」開始，一路做到了完整的語義搜尋引擎。你現在知道：嵌入模型把文字和圖片轉成向量，讓機器理解語義而非字面；EmbeddingGemma 2 只有 3 億參數等級，在筆電上就能跑，還支援多模態；用 sentence-transformers 三行就能載入模型，五十行就能做出搜尋系統；接上 LLM 就是一套私有 RAG 問答。
最實際的建議是：先從一個小場景開始。挑一個你每週都要花時間找資料的痛點，例如客戶合約、產品規格、內部 SOP，用今天教的程式碼跑一次。你會發現，原本要翻半小時的東西，現在三秒就找到。
香港和台灣的中小企業最缺的不是 AI 技術，而是把 AI 用在自己日常工作的具體方法。這套語義搜尋，就是最容易入門、回報最直接的一步。今天就試試看吧。
延伸閱讀
常見問題
Q: EmbeddingGemma 2 需要 GPU 才能跑嗎？
A: 不需要。 它是輕量級模型，在一般筆電的 CPU 上就能執行。以 M1 MacBook Air 為例，編碼 1000 段短文字大約 20 到 30 秒。只有在處理數十萬筆資料時，才會建議使用 GPU 加速。
Q: 我的文件是中文和英文混雜，這樣可以嗎？
A: 完全可以。 EmbeddingGemma 2 支援多語言，中英混雜的文件不需要事先翻譯或分類。實測下，中文查詢去搜尋英文文件、或英文查詢搜尋中文文件，都能正確命中語義相近的內容。
Q: 向量資料要存在哪裡？檔案會很大嗎？
A: 存成 .npy 檔即可。 每個向量約 768 維，以 float32 計算，1000 份文件大約 3MB，10000 份約 30MB，非常輕巧。若資料量超過十萬筆，再考慮導入 FAISS 或 Chroma 這類向量資料庫。
Q: 跟直接付費使用 OpenAI 的 embedding API 比，哪個好？
A: 看你的需求。 自架 EmbeddingGemma 2 的優勢是免費、離線、資料不外流，適合處理敏感的公司內部文件。付費 API 的優勢是免維護、無需下載模型。對香港台灣的中小企業來說，若涉及客戶資料或合約，本地執行通常是更安心的選擇。
Q: 搜尋結果不準怎麼辦？
A: 先檢查三件事。 第一，確認有加 normalize_embeddings=True；第二，文件切得太長會稀釋語義，建議每段控制在 200 到 500 字；第三，如果領域術語很特殊，可以考慮用少量問答對做微調，或改用更大的嵌入模型。