--- title: "搜索请求文本向量化" date: 0001-01-01 summary: "搜索请求文本向量化 # Easysearch 使用搜索管道的 semantic_query_enricher 处理器，协助 semantic query，将文本转为向量。 相关指南（先读这些） # 向量搜索 搜索管道 AI 集成 先决条件 # 服务兼容性 需满足以下任一条件： 支持与 OpenAI API 兼容的 embedding 接口 支持 Ollama embedding 接口 插件要求 必须安装 Easysearch 的以下插件： knn ai 数据准备 需预先完成： 创建向量索引 写入向量数据 参考 写入数据文本向量化 创建或更新 semantic_query_enricher 处理器 # PUT /_search/pipeline/default_model_pipeline { "rewrite_processors": [ { "semantic_query_enricher" : { "tag": "tag1", "description": "Sets the default embedding model", "url": "https://api." --- # 搜索请求文本向量化 Easysearch 使用搜索管道的 `semantic_query_enricher` 处理器，协助 `semantic query`，将文本转为向量。 ## 相关指南（先读这些） - [向量搜索]({{< relref "/docs/features/vector-search/_index.md" >}}) - [搜索管道]({{< relref "/docs/features/query-dsl/search-pipelines/_index.md" >}}) - [AI 集成]({{< relref "/docs/integrations/ai/_index.md" >}}) ## 先决条件 1. **服务兼容性** 需满足以下任一条件： - 支持与 OpenAI API 兼容的 embedding 接口 - 支持 Ollama embedding 接口 2. **插件要求** 必须安装 Easysearch 的以下插件： ```plaintext knn ai ``` 3. **数据准备** 需预先完成： - 创建向量索引 - 写入向量数据 - 参考[写入数据文本向量化]({{< relref "./ingest-text-embedding" >}}) ## 创建或更新 semantic_query_enricher 处理器 {#semantic-query-enricher-processor} ```auto PUT /_search/pipeline/default_model_pipeline { "rewrite_processors": [ { "semantic_query_enricher" : { "tag": "tag1", "description": "Sets the default embedding model", "url": "https://api.openai.com/v1/embeddings", "vendor": "openai", "api_key": "", "default_model_id": "text-embedding-3-small", "vector_field_model_id": { "text_vector": "text-embedding-3-small" } } } ] } ``` ### 请求体字段： 下表列出了用于创建或更新管道的请求体字段。 | 参数 | 是否必填 | 类型 | 说明 | | --------------------------- | -------- | ------ | ------------------------------------------------------------------------------------------------- | | `rewrite_processors` | 必填 | 数组 | 处理器列表，按顺序执行。示例中为 `semantic_query_enricher`。 | | `tag` | 可选 | 字符串 | 处理器标签，用于调试或日志（如 `"tag1"`）。 | | `description` | 可选 | 字符串 | 管道描述，用于说明用途（如 “Sets the default model ID at index and field levels”）。 | | **`url`** | 必填 | 字符串 | Embedding API 的完整 URL（如 `https://poloai.top/v1/embeddings`）。 | | **`vendor`** | 必填 | 字符串 | 服务提供商标识，如 `"openai"`。 | | **`api_key`** | 必填 | 字符串 | API 密钥，需替换为实际值（如 `"sk-xxx"`）。 | | **`default_model_id`** | 可选 | 字符串 | 全局默认模型 ID，当字段未在 `vector_field_model_id` 中配置时使用（如 `text-embedding-3-small`）。 | | **`vector_field_model_id`** | 可选 | 对象 | 字段级模型映射，如 `{ "text_vector": "text-embedding-3-small" }`，优先级高于 `default_model_id`。 | ## 查看搜索管道 要查看刚创建的所有搜索管道，请使用以下请求： ```auto GET _search/pipeline/default_model_pipeline ``` 响应包含您在上一节中设置的管道： ```auto { "default_model_pipeline": { "rewrite_processors": [ { "semantic_query_enricher": { "api_key": "*************************************************vE", "vendor": "openai", "description": "Sets the default embedding model", "tag": "tag1", "vector_field_model_id": { "text_vector": "text-embedding-3-small" }, "default_model_id": "text-embedding-3-small", "url": "https://api.openai.com/v1/embeddings" } } ] } } ``` `api_key` 会被遮掩，防止泄露 ## 设置默认搜索管道 可以将 `default_model_pipeline` 设置为索引默认的搜索管道，避免每次请求提供搜索管道参数。 ```auto PUT /my-index/_settings { "index.search.default_pipeline" : "default_model_pipeline" } ``` ## 使用 semantic query 进行搜索 ```auto GET /my-index/_search { "_source": "input_text", "query": { "semantic": { "text_vector": { "query_text": "这是另一个示例文本，这次使用 POST。", "candidates": 100, "query_strategy": "LSH_COSINE" } } } } ``` ### **Semantic Query 参数说明** | 参数 | 类型 | 必填 | 默认值 | 说明 | | -------------------- | --------- | ---- | ---------- | ----------------------------------------------------------------------------- | | **`semantic`** | `string` | 是 | - | 查询类型标识，表示这是一个将文本自动转成向量的查询。 | | **`text_vector`** | `string` | 是 | - | 目标向量字段名（需在 mapping 中定义为 `dense_vector` 类型） | | **`query_text`** | `string` | 是 | - | 需要编码为向量的文本内容 | | **`candidates`** | `integer` | 否 | 100 | 召回阶段每个 segment 考虑的候选文档数量，值越大召回率越高，性能开销越大 | | **`query_strategy`** | `enum` | 否 | LSH_COSINE | 近似最近邻算法策略，可选值： | | | | | | - `LSH_COSINE`：局部敏感哈希 + 余弦相似度（`model: lsh, similarity: cosine`） | | | | | | - `LSH_L2`：局部敏感哈希 + L2距离（`model: lsh, similarity: l2`） | | | | | | - `PERMUTATION_LSH`：排列局部敏感哈希（`model: permutation_lsh`） | ### 查询结果 ```auto { "took": 3297, "timed_out": false, "_shards": { "total": 1, "successful": 1, "skipped": 0, "failed": 0 }, "hits": { "total": { "value": 4, "relation": "eq" }, "max_score": 2, "hits": [ { "_index": "my-index", "_type": "_doc", "_id": "dewmA5gB0ulPrMzo2K-_", "_score": 2, "_source": { "input_text": "这是另一个示例文本，这次使用 POST。" } }, { "_index": "my-index", "_type": "_doc", "_id": "dt2DAZgB6WXmvHRNYksX", "_score": 1.540483, "_source": { "input_text": "这是另一示例文本。" } }, { "_index": "my-index", "_type": "_doc", "_id": "bulk_doc_2", "_score": 1.513369, "_source": { "input_text": "第二个批量处理的文本，指定了ID。" } }, { "_index": "my-index", "_type": "_doc", "_id": "dd2DAZgB6WXmvHRNYksX", "_score": 1.4987004, "_source": { "input_text": "第一个批量处理的文本。" } } ] } } ```