企业官网建设流程全解析

🎯R3-embedding-0.6b是腾讯开源的 Agent 技能检索（skill retrieval）双塔召回模型。想让 AI Agent 的技能（skill）在海量候选中被准确"检索"出来？关键在于两件事：技能文档怎么写、Instruct 提示怎么配。本文带你零基础上手，搞懂这个模型的技能文档格式name | description | skill_md与内置 Instruct 提示机制。

一、R3-embedding-0.6b 是什么？和文档检索有什么不同

普通向量检索把"文档"当检索对象，而 R3-embedding-0.6b 检索的对象是Agent 技能——一段告诉模型"我能做什么、怎么做"的结构化描述。论文《Skill Is Not Document》的核心观点就是：技能不是文档，两者的最佳匹配方式不同。

它是 R3-Skill 两阶段检索器中的bi-encoder（双塔召回）阶段：

• 查询（query）和每个技能文档独立编码，互不干扰，适合大规模候选初筛
• 按余弦相似度排序召回候选，再交给配套的 R3-Rerank-0.6B 精排

模型规格一览（详见 config.json）：

二、技能文档格式实战：name | description | skill_md

📌 这是全文最重要的部分。R3-embedding-0.6b 规定技能文档采用三段式文本，用|（空格+竖线+空格）分隔：

music-composer | Composes original music | Creates music for various media formats ...

官方示例来自 README.md：

document_embeddings = model.encode_document([ "music-composer | Composes original music | Creates music for various media formats ...", "music-lyricist | Writes lyrics for songs | Creates lyrics for various music genres ...", "music-editor | Edits and mixes music tracks | Provides audio editing and mixing services ...", ])

对新手最实用的三条写作建议：

1. name 决定主题锚点：用户说"帮我写首歌"，music-composer与music-lyricist的区别全靠 name 和 description 拉开
2. description 写能力而非过程：用 "Creates lyrics for various music genres" 这种结果导向的描述
3. skill_md 保留完整上下文：它是区分近义技能的关键信息，不要为了省字数而截断

三、Instruct 提示机制：查询侧自动加提示，文档侧保持纯净

很多 embedding 模型对查询和文档使用不同的"提示模板"（prompt），R3-embedding-0.6b 的配置见 config_sentence_transformers.json：

• 查询侧自动拼接 Instruct 提示：Instruct: Given a user request, retrieve the agent skill that solves it.\nQuery:
• 文档侧提示为空字符串——技能文档按原文编码
• 相似度函数固定为cosine（余弦相似度）

这意味着你调用encode_query()时无需自己写任何提示，模型会自动补上检索指令；而encode_document()输入的技能三段式文本则原样编码。池化模块还配置了include_prompt: true，保证提示词参与向量计算（见 1_Pooling/config.json）。

模型内部结构为Transformer → Pooling → Normalize三段流水线（见 modules.json）：

• Pooling：取last token作为句向量，而非平均池化
• Normalize：对向量做 L2 归一化，使余弦相似度退化为内积，检索更快更稳

四、最快上手：3 行代码完成技能召回

安装sentence_transformers后，加载并检索（完整示例见 README.md）：

from sentence_transformers import SentenceTransformer model = SentenceTransformer("tencent/R3-embedding-0.6b") query_embedding = model.encode_query("I need to compose music") document_embeddings = model.encode_document([ "music-composer | Composes original music | Creates music for various media formats ...", "music-lyricist | Writes lyrics for songs | Creates lyrics for various music genres ...", ]) similarities = model.similarity(query_embedding, document_embeddings) # tensor([[0.7410, 0.5510, 0.5028]])

可以看到music-composer以 0.741 的最高相似度胜出——这正是"技能文档格式 + Instruct 提示"协同工作的结果。

五、模型文件速查表

六、让技能更易被找到的 4 个要点

✅格式别出错：严格使用name | description | skill_md三段式，分隔符是"空格-竖线-空格"

✅description 动词开头：一句话说清"这个技能解决什么问题"

✅信任内置 Instruct：查询侧提示已由模型自动注入，重复拼接反而可能干扰匹配

✅召回 + 精排组合拳：R3-embedding-0.6b 负责快速召回，再配合 R3-Rerank-0.6B 精排，效果最佳

📚 小结：R3-embedding-0.6b 把"技能检索"变成了可复用的标准化流程——规范三段式文档、用好自动 Instruct 提示、结合精排模型，你的 Agent 技能库就能被用户的一句话精准命中。