Die am weitesten verbreitete Open-Source-Vektordatenbank

Erfahren Sie, warum Elasticsearch der Standard ist.

Kostenlosen Test starten

Was ist neu: BBQ

Was soll Ihre Vektordatenbank für Sie tun?

Erfahren Sie, was eine Vektordatenbank ist

Vektorsuche: Kontext, Absicht, Beziehungen
Die Ähnlichkeitssuche kann die richtigen Ergebnisse liefern – auch wenn die Wörter nicht ganz übereinstimmen.
Praktische Anleitung
Hybridsuche: Präzision + Flexibilität
Die Schlüsselwortsuche ist präzise. Die Vektorsuche ist nuanciert. Die Hybridsuche vereint beides.
Beispiele für die Hybridsuche
Spärliche vs. dichte Vektoren: Schnell und effizient
Eine spärliche Texterweiterung und dichte Bedeutungsübereinstimmungen eignen sich perfekt für eine offene, realitätsnahe Suche.
Arten der Dokument-Rangfolge
Filter, Rangfolge, neue Rangfolge: Relevanz mit Kontext
Filter reduzieren den Umfang, bei der Rangfolge wird das Signal gefunden – beides schwierige Probleme, aber pures Vergnügen, wenn man es richtig macht.
Gefilterte kNN-Suche

Elasticsearch: Mehr als nur Vektoren, beliebt bei Entwicklern

Keine Lücken oder Kompromisse – die Funktionen sind darauf ausgelegt, ineinander überzugehen

Eine Hybridsuche, die alles versteht
Die Hybridsuche von Elasticsearch kombiniert Schlüsselwörter, Vektoren, Geodaten, Metadaten und mehr in einem einzigen API-Aufruf. Ordnen Sie die Ergebnisse nach Bedeutung, Präzision und Kontext.
Facetten und Filter ohne Verzögerung
Filter und Facetten, die auch im großen Maßstab schnell ausgeführt werden — keine Verlangsamungen, keine vollständigen Indexscans. Elastic kombiniert die Abfrage von aNN mit Filtern, um unabhängig vom Maßstab den richtigen Umfang zu erstellen.
OpenAI, Anthropic, Hugging Face … alles nativ
Inferenz-APIs führen native Inferenzen mit gängigen LLMs oder integrierten Modellen für Texteinbettungen, Klassifikation, Q&A und mehr aus — keine externe ML-Infrastruktur erforderlich.
Mehr Vektoren. Weniger Speicherplatz. Keine Kompromisse.
Die bessere binäre Quantisierung (BBQ) reduziert den Speicherbedarf um bis zu 95 % und bietet gleichzeitig eine hohe Genauigkeit. Optimierte Distanzberechnungen und aNN-Recall beschleunigen die Vektorsuche im großen Maßstab.
Semantische Suche, weniger Schritte
Das Feld semantic_text verarbeitet Mappings, Einbettungen und Chunking automatisch und ermöglicht so eine wirklich nahtlose, dichte Suche in einer einzigen Abfrage.
Testen Sie RAG schnell – keine Einrichtung erforderlich
Schluss mit dem Rätselraten. Mit AI Playground können Sie hybride Abruf-, Relevanzranking- und Chunking-Strategien in Echtzeit testen, sodass Sie getestete Abfragen mit Zuversicht optimieren und versenden können.

Gehostet auf AWS, Azure oder Google Cloud – oder probieren Sie es mit Serverless und überlassen Sie Elastic den Rest.

Jetzt ausprobieren Preise anzeigen

Ein Anruf, das ist alles

Indexieren, suchen, filtern, RBAC anwenden – auf Text, Einbettungen, Geodaten, Zeitreihen oder Metadaten

Einbettungen erstellen
Erfassen Sie Bedeutung, Kontext und Assoziationen, indem Sie Daten in dichte Vektoren umwandeln. Blogpost zum Erstellen von Einbettungen
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Index-Einbettungen

Der Vektorspeicher von Elasticsearch basiert auf dem HNSW-Algorithmus von Lucene, der vergleichende Benchmarks übertrifft (siehe „luceneknn“).

Unsere Herangehensweise an die Vektorsuche

PUT my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector"
      },
      "my_text" : {
        "type" : "text"
      },
      "category": {
        "type": "text"
      }
    }
  }
}



# Index a document
PUT my-index/_doc/2
{
  "my_vector" : [
        0.018743202,
        -0.011059246,
   …
        0.05155631,
        0.04044561
      ],
  "my_text" :"57,000 average sized mallard ducks fit on an American football field",
"category" : "weird_stats"
}

Search-Einbindungen

Führen Sie eine kNN-Suche aus, die zu Ihrem Anwendungsfall passt – wenden Sie dabei den ANN-Algorithmus für Geschwindigkeit und Skalierung mithilfe des HNSW-Index oder der exakten Übereinstimmung von Lucene an.

Entdecken Sie ANN und KNN.

GET /my-index/_search
{
  "retriever": {
    "knn": { 
      "field": "my_vector", 
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10, 
      "num_candidates": 10 
    }
  }
}

Verfeinerung der Suchergebnisse mit Filtern und Facettensuche

Verlassen Sie sich beim Erstellen intuitiver Endnutzeranwendungen auf das umfangreiche Framework von Elasticsearch – mit Filter- und Facettenfunktionen für die Vektorsuche.

Mehr über kNN-Filter erfahren

Weitere Informationen zur Facettensuche

GET /my-index/_search
{
  "retriever": {
    "knn": {
      "field": "my_vector",
      "query_vector_builder":{
      "text_embedding": {
        "model_id": "my-e5-endpoint",
        "model_text": "How many adult mallard ducks fit in an american football field??"
      }
    }, 
      "k": 10,
      "num_candidates": 10,
      "filter": [
        {
          "term": {
            "category": "weird_stats"
          }
        }
      ]
    }
  }
}

Kombinieren von Retrieval-Methoden mit Hybridsuche

Mit Hybrid-Retrieval können Sie aus den Abrufmethoden wählen, die die besten Ergebnisse für Ihren Anwendungsfall liefern: BM25, das trainierte Sparse-Encoder-Modell (ELSER) von Elastic, oder dichte Vektoren.

Video zur Hybridsuche ansehen

GET /my-index/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {
                    "term": {
                      "category": "weird_stats"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "knn": {
            "field": "vector",
            "query_vector_builder": {
              "text_embedding": {
                "model_id": "my-e5-endpoint",
                "model_text": "How many adult mallard ducks fit in an american football field??"
              }
            },
            "k": 10,
            "num_candidates": 10
          }
        }
      ],
      "rank_constant": 1,
      "rank_window_size": 50
    }
  }
}

Anwendung von Sicherheit auf Dokumenteneben und Compliance-Berechtigungen

Weisen Sie die granulare, rollenbasierte Zugriffssteuerung mit Sicherheit auf Dokument- und Feldebene zur Abdeckung aller gängigen Compliance-Frameworks zu.

Autorisierung einrichten

Compliance sicherstellen

POST /_security/role/employee_role {
  "indices": [
    {
      "names": [ "example-index" ],
      "privileges": [ "read" ],
      "field_security" : {
        "grant" : [ "state", "name.first", "name.last" ]
      }
    }
  ]
}


GET example-index/_search {
  "query": {...},
  "knn" = {...},
  "aggs": {...}
}

POST _inference/my-e5-endpoint
{
  "input": "How many adult mallard ducks fit in an american football field?"
}

Klassenbester? Direkt eingebaut

Native Integrationen zu allen führenden KI-Produkten – um Ihre Apps schneller und fortschrittlicher zu gestalten

Eine hochwertige Nachbarschaft

Von der Eingabeaufforderung bis zum Produkt vertrauen diese Unternehmen auf Elastic, um zur Entwicklung hochmoderner Suchfunktionen beizutragen.

Kunden-Spotlight
Reed, der größte britische Personalvermittler, bringt Jobsuchende und Arbeitgeber mithilfe von Vektoreinbettungen in Elasticsearch zusammen.
Weitere Informationen
Kunden-Spotlight
Stack Overflow kombiniert die Fähigkeiten menschlicher Experten mit generativer KI, um das Abrufen vertrauenswürdiger Informationen aus den Wissensdatenbanken der Entwickler zu beschleunigen.
Weitere Informationen
Kunden-Spotlight
Adobe skaliert, verwaltet mehrere Anwendungsfälle und setzt Machine-Learning-Funktionen mit Elastic ein.
Weitere Informationen

Auswahl einer Vektordatenbank

Wählen Sie die Vektordatenbank aus, die für die von Ihnen angestrebte Vektorsuche am besten geeignet ist.

Weitere Vektordatenbanken

Elasticsearch

Ingestieren, parsen und indexieren

Flexibles Dokumentenmodell

teilweise unterstützt

vollständig unterstützt (kostenlos)

Sichere Speicherung (Sicherheit auf Dokumenten- und Feldebene)

teilweise unterstützt

vollständig unterstützt (kostenpflichtig)

Strukturierte und unstrukturierte Daten verarbeiten

teilweise unterstützt

vollständig unterstützt (kostenlos)

Tools zur Erfassung (Clients, Webcrawler, *Konnektoren, *Inferenz-Pipelines*)

teilweise unterstützt

vollständig unterstützt (*kostenpflichtig)

Dokument- und Metadaten-Updates in Echtzeit

teilweise unterstützt

vollständig unterstützt (kostenlos)

Semantischer Text für optimierten Vektor-Speicher

teilweise unterstützt

vollständig unterstützt (kostenlos)

Einbettungen

Abruf

Machine Learning

Elastic-Tools

Häufig gestellte Fragen

Was ist eine Vektordatenbank und wie funktioniert sie?

Eine Vektordatenbank speichert Informationen als Vektoren, also als numerische Darstellungen von Datenobjekten, die auch als Vektoreinbettungen bezeichnet werden. Sie verwendet Vektoreinbettungen für die multimodale Suche in einem riesigen Datensatz strukturierter, unstrukturierter und halbstrukturierter Daten, wie Bilder, Text, Videos und Audio. Vektordatenbanken werden zur Verwaltung von Vektoreinbettungen erstellt und bieten daher eine vollständige Lösung zur Datenverwaltung.

Die am weitesten verbreitete Open-Source-Vektordatenbank

Was soll Ihre Vektordatenbank für Sie tun?

Vektorsuche: Kontext, Absicht, Beziehungen

Hybridsuche: Präzision + Flexibilität

Spärliche vs. dichte Vektoren: Schnell und effizient

Filter, Rangfolge, neue Rangfolge: Relevanz mit Kontext

Elasticsearch: Mehr als nur Vektoren, beliebt bei Entwicklern

Eine Hybridsuche, die alles versteht

Facetten und Filter ohne Verzögerung

OpenAI, Anthropic, Hugging Face … alles nativ

Mehr Vektoren. Weniger Speicherplatz. Keine Kompromisse.

Semantische Suche, weniger Schritte

Testen Sie RAG schnell – keine Einrichtung erforderlich

Gehostet auf AWS, Azure oder Google Cloud – oder probieren Sie es mit Serverless und überlassen Sie Elastic den Rest.

Ein Anruf, das ist alles

Einbettungen erstellen

Index-Einbettungen

Search-Einbindungen

Verfeinerung der Suchergebnisse mit Filtern und Facettensuche

Kombinieren von Retrieval-Methoden mit Hybridsuche

Anwendung von Sicherheit auf Dokumenteneben und Compliance-Berechtigungen

Klassenbester? Direkt eingebaut

Eine hochwertige Nachbarschaft

Kunden-Spotlight

Kunden-Spotlight

Kunden-Spotlight

Auswahl einer Vektordatenbank

Weitere Vektordatenbanken

Elasticsearch

Ingestieren, parsen und indexieren

Einbettungen

Abruf

Machine Learning

Elastic-Tools

Häufig gestellte Fragen

Was ist eine Vektordatenbank und wie funktioniert sie?

Was sind Vektoreinbettungen?

Was sind die Vorteile einer Vektordatenbank?

Ist Elasticsearch eine Vektordatenbank?

Warum sollten Sie sich für Elastic als Vektordatenbank entscheiden?