向量搜索
#
Easysearch 通过内置的 k-NN 插件提供高维向量相似度搜索能力，支持语义搜索、推荐系统、图像检索等 AI 应用场景。
核心能力
#
| 能力 | 说明 |
|---|
| 两种向量类型 | 稠密浮点向量（knn_dense_float_vector）和稀疏布尔向量（knn_sparse_bool_vector） |
| 多种索引模型 | lsh（局部敏感哈希，近似搜索）、permutation_lsh（置换 LSH）、sparse_indexed（倒排索引）、exact（精确搜索） |
| 多种相似度 | cosine（余弦）、l1（曼哈顿距离）、l2（欧氏距离）、jaccard、hamming |
| 与全文搜索融合 | 向量字段与文本字段存储在同一索引，支持 Hybrid 混合检索 |
| function_score 集成 | 向量相似度可作为 function_score 的评分函数 |
典型应用场景
#
- 语义搜索：文本通过 Embedding 模型转为向量，按语义相似度检索
- RAG 检索增强生成：为大语言模型提供知识库检索能力
- 推荐系统：用户/商品特征向量的相似推荐
- 图像/多模态搜索：图像特征向量的相似检索
- 去重与异常检测：通过向量距离判断内容相似度
快速开始
#
// 1. 创建向量索引
PUT /my-vectors
{
"mappings": {
"properties": {
"title": { "type": "text" },
"embedding": {
"type": "knn_dense_float_vector",
"knn": {
"dims": 768,
"model": "lsh",
"similarity": "cosine",
"L": 99,
"k": 1
}
}
}
}
}
// 2. 索引文档（向量由外部 Embedding 模型生成）
PUT /my-vectors/_doc/1
{
"title": "Easysearch 向量搜索入门",
"embedding": [0.12, -0.03, 0.88, ...]
}
// 3. 执行向量搜索
POST /my-vectors/_search
{
"size": 10,
"query": {
"knn_nearest_neighbors": {
"field": "embedding",
"vec": { "values": [0.12, -0.03, 0.88, ...] },
"model": "lsh",
"similarity": "cosine",
"candidates": 100
}
}
}
本章内容
#
相关资源
#