🎯 项目简介

Sentence Transformers 是计算文本嵌入（Embeddings）的事实标准框架，让语义搜索、RAG 检索和文本相似度计算变得极其简单。由德国达姆施塔特工业大学 UKP Lab 首创，现由 Hugging Face 团队维护，是每一个做 RAG、语义搜索、向量检索工程师的必备工具箱。

只需两行代码，就能把任意句子转换成高质量稠密向量；再配合一行相似度计算，即可实现语义级别的文本匹配。支持 100+ 语言、15000+ 预训练模型、多模态（文本/图像/音频/视频）嵌入，堪称 AI 时代的”文本向量化瑞士军刀”。

⚙️ 安装要求和过程

环境要求

• Python: 3.10+
• PyTorch: 1.11.0+
• transformers: 4.41.0+
• 硬件: CPU 可用，GPU（CUDA）可加速 10-50 倍

快速安装

# 基础安装（仅核心功能）
pip install -U sentence-transformers

# 带扩展功能（图像/音频/视频/训练/ONNX）
pip install sentence-transformers[image,audio,video,train,onnx]

# 使用 uv 快速安装
uv pip install sentence-transformers

# Conda 安装
conda install -c conda-forge sentence-transformers

验证安装:

python -c "from sentence_transformers import SentenceTransformer; print('✅ 安装成功')"

🌟 核心功能

🚀 典型使用场景

场景一：RAG 知识库检索（最流行）

企业文档问答系统的标准做法：用 Sentence Transformers 将知识库切片编码为向量存入向量数据库（Chroma/Milvus/Qdrant），用户提问时实时编码查询向量，召回最相关的 Top-K 文档片段送给 LLM 生成答案。

from sentence_transformers import SentenceTransformer
from qdrant_client import QdrantClient

# 1. 加载嵌入模型
model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")

# 2. 编码知识库文档
docs = ["公司报销流程...", "年假申请方法...", "IT设备申领..."]
doc_embeddings = model.encode(docs)

# 3. 存入向量数据库
client = QdrantClient(":memory:")
client.add(collection_name="kb", vectors=doc_embeddings, payload=docs)

# 4. 用户提问检索
query = "怎么申请年假？"
query_vec = model.encode(query)
results = client.search(collection_name="kb", query_vector=query_vec, limit=3)
print(results[0].payload)  # 返回最相关文档

场景二：语义搜索与去重（电商平台/内容平台）

电商平台的商品搜索（用户输入”红色运动鞋”能匹配”红跑步鞋”）、新闻推荐系统去重、简历与岗位描述的语义匹配，都依赖 Sentence Transformers 的语义编码能力。

场景三：跨语言语义匹配（全球化应用）

支持 100+ 语言的预训练多语言模型（如 paraphrase-multilingual-MiniLM-L12-v2），可将中文、英文、日文等不同语言的相同语义映射到向量空间的相近位置，实现跨语言检索和匹配。

💡 推荐理由

1. RAG 工程师的”Hello World”

几乎所有 RAG 教程的第一个代码示例都是 Sentence Transformers。它把复杂的 Transformer 编码、池化、归一化等步骤封装成一行 model.encode()，让开发者专注业务逻辑而非模型细节。langchain、LlamaIndex 等框架的底层检索默认就用它。

2. Hugging Face 生态深度整合

作为 Hugging Face 官方库，可直接 model = SentenceTransformer("your-model-name") 加载 Hub 上任意模型，也轻松将本地模型 push_to_hub() 分享给社区。15000+ 预训练模型即搜即用，覆盖从轻量级的 MiniLM（80MB）到旗舰级的 gte-Qwen3（数 GB）。

3. 性能与精度的完美平衡

all-MiniLM-L6-v2（仅 80MB）在 MTEB 排行榜上达到中上水平，推理速度却是最强模型的 10 倍。配合 Matryoshka 训练，768 维向量可截断为 384/256/128 维使用，存储和检索速度提升数倍，精度损失极小。

4. 生产级可靠性

2019 年开源至今，历经 6 年迭代，2800+ Fork、1300+ 贡献者，PyPI 月下载量超百万。Apache-2.0 许可完全免费商用，被 Google、Microsoft、Amazon、Meta 等大厂的内部系统广泛采用。

📥 下载地址

• 📦 PyPI 安装: pip install sentence-transformers
• 🌐 GitHub 仓库: github.com/huggingface/sentence-transformers
• 📚 官方文档: sbert.net
• 🤗 Hugging Face 模型库: huggingface.co/models (筛选 sentence-similarity)
• 📊 MTEB 排行榜: huggingface.co/spaces/mteb/leaderboard
• 💬 GitHub Discussions: github.com/huggingface/sentence-transformers/discussions

本文由 AI 自动整理，数据截至 2026 年 6 月。项目持续更新中，建议访问官方仓库获取最新信息。