| 提供商 | 模型 | 维度 | 免费额度 | 国内直连 |
| 硅基流动 | bge-m3 | 1024 | 无限免费 | ✅ |
| 智谱 | embedding-3 | 2048 | 免费 | ✅ |
| Jina AI | jina-embeddings-v3 | 1024 | 100 万 token/月 | ⚠️ |
| OpenAI | text-embedding-3-small | 1536 | 无免费 | ❌ |
| Cohere | embed-v3 | 1024 | 100 次/分钟 | ❌ |
推荐：硅基流动的 bge-m3，完全免费、国内直连、中英文效果都好。
免费向量数据库对比
| 数据库 | 类型 | 免费额度 | 特点 |
| Chroma | 本地/嵌入式 | 无限 | 最简单，pip install 即用 |
| Qdrant | 本地/云 | 1GB 免费云 | 性能好，支持过滤 |
| Milvus Lite | 本地 | 无限 | 大规模场景 |
| Pinecone | 云 | 100K 向量 | 托管服务，零运维 |
| Weaviate | 本地/云 | 无限（本地） | 功能丰富 |
推荐：Chroma（简单场景）或 Qdrant（生产场景）。
完整 RAG 搭建教程
Step 1 · 安装依赖
pip install chromadb openai
Step 2 · 用硅基流动免费 Embedding
from openai import OpenAI
embed_client = OpenAI(
api_key="你的硅基流动 Key",
base_url="https://api.siliconflow.cn/v1"
)
def get_embedding(text):
response = embed_client.embeddings.create(
model="BAAI/bge-m3",
input=text
)
return response.data[0].embedding
Step 3 · 存入 Chroma
import chromadb
client = chromadb.Client()
collection = client.create_collection("my_docs")
添加文档
docs = [
"DeepSeek 注册送 $5 免费额度",
"智谱 GLM-4-Flash 永久免费",
"Gemini 提供 15 RPM 免费 API",
]
for i, doc in enumerate(docs):
embedding = get_embedding(doc)
collection.add(
ids=[f"doc_{i}"],
embeddings=[embedding],
documents=[doc]
)
Step 4 · 检索 + 生成
# 检索相关文档
query = "哪家 AI 免费额度最多？"
query_embedding = get_embedding(query)
results = collection.query(
query_embeddings=[query_embedding],
n_results=3
)
context = "\n".join(results["documents"][0])
用 DeepSeek 生成回答
chat_client = OpenAI(
api_key="你的 DeepSeek Key",
base_url="https://api.deepseek.com"
)
response = chat_client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": f"根据以下信息回答问题：\n{context}"},
{"role": "user", "content": query}
]
)
print(response.choices[0].message.content)
成本分析
| 组件 | 方案 | 月成本 |
| Embedding | 硅基流动 bge-m3 | $0 |
| 向量数据库 | Chroma 本地 | $0 |
| 生成模型 | DeepSeek-V3 | ~$1-3 |
| 总计 | ~$1-3/月 |