Elasticsearch 向量数据库：数分钟内即可完成部署，能以超高性价比扩充至千亿规模

混合检索的难点部分已经解决。开箱即用，配备优化的默认设置、第三方和原生 Jina AI 模型以及托管型 GPU 推理功能。您可以构建快速、可扩展的 AI 应用，无需构建基础架构。

开始免费试用
查看文档

向量数据库应该为您做什么？

  • 向量搜索：上下文、意图、关系

    语义相似度搜索可以返回正确的结果——即使单词不太匹配。

    实操教程

  • 混合搜索：精准+灵活

    关键字搜索非常精确。向量搜索细致入微。混合搜索将两者结合在一起。

    混合搜索示例

  • 稀疏向量与密集向量：快速且高效

    稀疏文本扩展和密集含义匹配非常适合开放、现实世界的搜索。

    文档排序类型

  • 筛选、排序、重新排序：与上下文的相关性

    筛选缩小范围，排序提取信号——两者皆非易事，但如果正确完成，便是极致愉悦。

    经过筛选的 kNN 搜索

Elasticsearch 向量数据库：不仅仅是向量，深受开发人员喜爱

没有漏洞，也无需妥协。经过优化的默认设置。混合检索。一切协同运作，因为这一切本就是如此构建的。

  • 了解一切的混合搜索

    通过混合搜索，将词汇搜索、语义搜索（使用第三方或原生 Jina AI 模型）、元数据和筛选器整合在单一 API 调用中。按含义、精确度和上下文对结果进行排序。

  • 开箱即用且经过优化

    借助 vectordb_document 索引模式，实现高效存储和索引；借助更好的二进制量化 (BBQ)，内存占用最高可减少 95%。两者默认启用，从首次查询起即可用于生产环境。

  • 借助 Jina AI 模型，原生运行 GPU 加速推理

    通过 Elastic Inference Service (EIS)，使用 Jina AI 模型执行嵌入和重排序，并由 semantic_text 自动完成分块。也可以通过 Inference API 接入您自己的模型。

  • 更多向量，更少内存，无需取舍

    借助默认启用的 DiskBBQ，以低内存占用实现大规模检索；同时，自动校准会根据您的数据自动调整压缩和过采样参数。借助持续调优的向量搜索，在数据不断增长的同时保持较高的召回率。

  • 向量专属定价

    规模化运营经济实惠，并可享受从一开始就可预测的定价。提前预估您的账单。

  • 从第一天起即面向企业

    内置安全性、RBAC 和可观测性。跨项目搜索支持客户逐步扩展至完整的 Elasticsearch。

只需一次调用：数分钟内从零实现向量搜索

开始使用 Elasticsearch 向量数据库。为向量工作负载、混合搜索以及生成嵌入或接入自有模型提供优化的默认设置，助您以最快速度实现向量搜索。

from elasticsearch import Elasticsearch

client = Elasticsearch(
   "https://xyz.elastic.cloud:443",
   api_key="..",

)

client.indices.create(
   index="my_semantic_vectors",
   mappings={
       "properties": {
           "content": {"type": "text", "copy_to": "semantic_content"},
           "semantic_content": {"type": "semantic_text"},
       }
   },
)

client.bulk(
   operations=[
       {"index": {"_index": "my_semantic_vectors"}},

       {"content": "Yellowstone National Park spans Wyoming, Montana, and Idaho, covering over 2.2 million acres. It is famous for the geyser Old Faithful and sits atop the Yellowstone Caldera, a supervolcano."},

       {"index": {"_index": "my_semantic_vectors"}},

       {"content": "Yosemite National Park covers over 750,000 acres in California. A UNESCO World Heritage Site, it is best known for its granite cliffs, waterfalls, and giant sequoia trees."},

       {"index": {"_index": "my_semantic_vectors"}},

       {"content": "Rocky Mountain National Park is known for its mountainous terrain, including Longs Peak, the highest in the park. It is a popular destination for hiking, camping, and wildlife viewing."},
   ],
)

借助 Elasticsearch 向量数据库进行构建

  • 语义搜索和对话式 AI

    理解意图。自然搜索。获取精准结果。

    了解详情

  • 电子商务与零售

    使用混合搜索以实现更好的发现、排序和个性化体验。

    了解详情

  • 知识发现（医疗保健和金融）

    将文档、工单和电子邮件汇集在一起，实现语义发现。

    了解详情

  • 调查工作流（公共部门）

    安全挖掘数据中的模式和见解。

    了解详情

  • 位置感知搜索

    使用地理距离查询获取精确、实时的附近搜索结果。

    了解详情

  • 基础架构和数据库负载分流

    将检索与存储分离，以实现更快、可扩展的查询。

    了解详情

向量数据库，以及您实际需要的其他一切

实际应用中的向量搜索所需的不只是向量。无需额外拼接，即可在单个查询中将语义搜索与筛选器、安全性、结构化字段和 BM25 排序相结合。

高品质社区

从提示词到产品，团队如何利用 Elasticsearch 向量数据库构建产品。

  • 客户聚焦

    FRAIM 使用 Elasticsearch 构建面向 AI 时代的知识搜索平台，通过原生整合文本搜索和向量搜索，将整体搜索平台成本降低 50% 以上，并显著加快 RAG 和 AI 智能体的开发。

    了解详情

  • 客户聚焦

    WP Engine 利用 Elasticsearch 为 WordPress 网站引入 AI 创新，并借助与 Google Cloud 的原生集成，将 AI 功能开发时间从数周缩短至数小时，同时实现 5ms 的搜索响应时间和零停机运行。

    了解详情

  • 客户聚焦

    Adobe 可以扩展、管理多种用例，并将机器学习功能与 Elastic 结合使用。

    了解详情

用数字看结果

Elasticsearch 向量数据库性能基准测试和结果。

入门指南：构建各个阶段所需的资源

采集、解析和索引
嵌入
检索
开发工具
灵活的文档模型
存储嵌入（HNSW 用于速度，BBQ 用于压缩，DiskBBQ 用于扩展）
搜索嵌入（使用第三方或 SOTA 多语言和多模态 Jina 模型的向量搜索）
管道查询 ES|QL：用于筛选、转换和分析数据的管道查询语言
安全存储（文档和字段级安全性）
HNSW：快速近似 kNN 搜索，针对大规模高召回率和低延迟进行了优化
全文本搜索 (BM25)
使用 Kibana 探索和可视化存储在 Elasticsearch 中的数据
处理结构化和非结构化数据
BBQ：32 倍向量压缩，在保持搜索相关性的同时大幅降低内存和计算成本
原生混合搜索（BM25 + 向量搜索）
只需几行代码即可创建搜索界面和可配置的 Search UI 组件
采集工具（客户端、网络爬虫*、连接器*、推理管道*）
DiskBBQ：基于磁盘的向量搜索，可针对大规模、内存受限的环境降低 RAM 需求
原生 Jina 重排序模型和 Learning-to-Rank
借助 Agent Builder，使用 AI 驱动的功能开发和交互式使用智能体，与您的 Elasticsearch 数据协同工作
实时文档和元数据更新
vectordb_document 模式：自动应用最佳实践向量默认设置（量化方法、合并策略、缓存加载），实现开箱即用的最佳配置
筛选、分面、聚合

搜索自动完成

semantic_text：自动生成嵌入并处理分块，无需设置管道即可添加语义搜索
自动校准：采样您存储的向量以选择最佳压缩和过采样，并随着数据变化实时调整
针对多种数据类型（文本、向量、地理位置等）进行优化
采集、解析和索引
灵活的文档模型
安全存储（文档和字段级安全性）
处理结构化和非结构化数据
采集工具（客户端、网络爬虫*、连接器*、推理管道*）
实时文档和元数据更新
semantic_text：自动生成嵌入并处理分块，无需设置管道即可添加语义搜索
嵌入
检索
开发工具
存储嵌入（HNSW 用于速度，BBQ 用于压缩，DiskBBQ 用于扩展）
搜索嵌入（使用第三方或 SOTA 多语言和多模态 Jina 模型的向量搜索）
管道查询 ES|QL：用于筛选、转换和分析数据的管道查询语言
HNSW：快速近似 kNN 搜索，针对大规模高召回率和低延迟进行了优化
全文本搜索 (BM25)
使用 Kibana 探索和可视化存储在 Elasticsearch 中的数据
BBQ：32 倍向量压缩，在保持搜索相关性的同时大幅降低内存和计算成本
原生混合搜索（BM25 + 向量搜索）
只需几行代码即可创建搜索界面和可配置的 Search UI 组件
DiskBBQ：基于磁盘的向量搜索，可针对大规模、内存受限的环境降低 RAM 需求
原生 Jina 重排序模型和 Learning-to-Rank
借助 Agent Builder，使用 AI 驱动的功能开发和交互式使用智能体，与您的 Elasticsearch 数据协同工作
vectordb_document 模式：自动应用最佳实践向量默认设置（量化方法、合并策略、缓存加载），实现开箱即用的最佳配置
筛选、分面、聚合

搜索自动完成

自动校准：采样您存储的向量以选择最佳压缩和过采样，并随着数据变化实时调整
针对多种数据类型（文本、向量、地理位置等）进行优化

常见问题

什么是向量数据库？它是如何运作的？

向量数据库将信息存储为向量，即数据对象的数值表示，也称为向量嵌入。它利用向量嵌入，在海量结构化、非结构化和半结构化数据（如图像、文本、视频和音频）中实现多模态搜索。向量数据库专为管理向量嵌入而构建，因此可提供完整的数据管理解决方案。

什么是向量嵌入？

向量嵌入使用机器学习模型将文本转化为数字，让您可以执行向量搜索。通过将数据转换为向量，嵌入可以更容易地比较、搜索和分析空间中项目之间的相似性。

向量数据库有哪些优势？

向量数据库可实现本地部署、隔离和主权云环境之间的无缝数据迁移，并为向量嵌入提供存储空间，从而提供大规模搜索的效率。

向量数据库擅长相似性搜索，可以让您轻松找到相关项目，这对于推荐系统、图像搜索和内容发现至关重要。借助语义搜索功能，它们不只停留在关键词的简单匹配上，而是能够根据词语的意义和上下文环境来提供搜索结果。通过存储向量嵌入，它们可以支持人工智能和机器学习应用程序，从而更容易部署自然语言处理 (NLP) 和推荐模型。

Elasticsearch 是向量数据库吗？

是的，Elasticsearch 是世界上部署最广泛的开源向量数据库，为您提供大规模、高效地创建、存储和搜索向量嵌入的有效方法。借助 Elastic 的企业级向量数据库，即使数据快速变化，您也可以实现快速查询时间和最佳性能。它可根据扩展进行构建，在简化开发流程的同时提供相关的个性化搜索结果。

为什么选择 Elastic 作为您的向量数据库？

Elasticsearch 是全球下载量最高的向量数据库，专为帮助开发者更快速、更低成本地提供高精度搜索和可扩展的 AI 体验而打造。Elasticsearch 向量数据库开箱即用地处理混合检索中的复杂环节，提供优化的默认设置、原生 Jina AI 和第三方模型，以及托管式 GPU 推理。您可以在单个索引中对文本、图像和多模态数据执行向量搜索和关键词搜索，无需构建或维护嵌入流水线。它针对向量工作负载进行了预先调优，可提供高性能，在流量激增时自动承载额外负载，并在需求下降时相应缩减资源。您还可以获得所需的安全性、RBAC 和恢复机制，让您专注于构建应用，而不是管理基础设施。

我能否将 Elasticsearch 作为本地部署或隔离向量数据库运行？

是的。Elasticsearch 完全可以本地部署在裸机、私有云或没有外部连接的完全隔离网络中。政府机构、国防承包商和受监管企业使用 ECE 来扩展本地部署的 Elasticsearch 集群，包括在保密和断开连接的环境中。Elastic Cloud 上的所有向量搜索、混合搜索和 RAG 功能在本地部署中同样可用。