语义搜索 | INFINI Easysearch (main)

传统全文搜索依赖关键词精确匹配，用户必须"猜对词"才能命中目标文档。Easysearch 语义搜索通过理解文本的语义和上下文关系，让系统能够识别"意思相近"的内容——即使查询与结果不包含相同关键词，也能返回高相关性的搜索结果。

语义搜索 vs 全文搜索 #

对比维度	全文搜索（BM25）	语义搜索
匹配方式	关键词精确/模糊匹配	向量空间中的语义相似度
同义词处理	需手工配置同义词表	模型自动理解同义/近义
长尾查询	词汇差异大时召回率低	自然语言描述即可获取结果
语言依赖	依赖分词器、语言特定配置	多语言模型天然支持跨语言
计算成本	低	较高（需 Embedding 计算）

最佳实践：在实际业务中，推荐使用 Hybrid 检索同时利用两者的优势。

工作原理 #

语义搜索的核心流程：

用户查询 ──→ Embedding 模型 ──→ 查询向量
                                    │
                              k-NN 相似度计算
                                    │
文档库 ──→ Embedding 模型 ──→ 文档向量 ──→ 排序结果

离线阶段：将文档内容通过 Embedding 模型转换为向量，存入 Easysearch 的向量字段
在线阶段：用户输入自然语言查询，同样转换为向量，在向量空间中找到最相似的文档
融合排序：可选地与全文搜索结果融合，输出综合排序

快速上手 #

1. 创建包含向量字段的索引 #

PUT /knowledge-base
{
  "mappings": {
    "properties": {
      "title":   { "type": "text" },
      "content": { "type": "text" },
      "embedding": {
        "type": "knn_dense_float_vector",
        "knn": { "dims": 768 }
      }
    }
  }
}

2. 写入文档与向量 #

将文档内容通过 Embedding 模型（如通义千问、OpenAI 等）转换为向量后写入：

POST /knowledge-base/_doc
{
  "title": "如何配置 Easysearch 集群安全",
  "content": "Easysearch 默认启用安全模块，支持 TLS 加密...",
  "embedding": [0.12, -0.03, 0.88, ...]
}

3. 语义查询 #

POST /knowledge-base/_search
{
  "size": 5,
  "query": {
    "knn_nearest_neighbors": {
      "field": "embedding",
      "vec": {
        "values": [0.15, -0.01, 0.91, ...]
      },
      "model": "lsh",
      "similarity": "cosine",
      "candidates": 50
    }
  }
}

4. Hybrid 检索（推荐） #

将语义搜索与关键词搜索结合，获得更稳定的搜索效果：

POST /knowledge-base/_search
{
  "size": 10,
  "query": {
    "bool": {
      "must": [
        {
          "knn_nearest_neighbors": {
            "field": "embedding",
            "vec": { "values": [0.15, -0.01, 0.91, ...] },
            "model": "lsh",
            "similarity": "cosine",
            "candidates": 100
          }
        }
      ],
      "should": [
        { "match": { "content": "集群安全配置" } }
      ]
    }
  }
}

Embedding 模型选择 #

语义搜索的效果取决于 Embedding 模型的质量。常用模型：

模型	维度	适用场景
OpenAI `text-embedding-3-small`	1536	通用多语言
通义千问 Embedding	1024	中文优化
BGE / M3E	768	中文开源
Ollama 本地模型	384~4096	私有化部署

关于如何接入 Embedding 服务，参见 Embedding 服务集成。

搜索效果调优 #

权重调节 #

通过调整全文搜索与向量搜索的权重比例，可以优化不同场景下的搜索效果：

偏语义：适合知识库问答、客服系统，用户输入自然语言
偏关键词：适合日志搜索、精确查找，需要关键词命中
均衡：适合电商搜索，既需要意图理解也需要品牌/型号匹配

可解释与可回滚 #

语义搜索结果可与全文搜索结果对比分析
支持通过规则、权重和策略进行调优
支持渐进式上线和风险控制

应用场景 #

场景	说明
企业知识库	不需要记住文档标题或关键词，自然语言描述即可定位制度、方案和历史资料
智能问答 / AI 助手	通过语义理解检索相关内容，显著提升回答的准确性与上下文相关度
电商搜索	用户描述不完整或不精准时，依然返回符合需求的商品
多语言搜索	不同语言和表达方式下，匹配到语义相近的内容