O banco de dados vetorial Open Source mais amplamente implantado

Veja por que o Elasticsearch é a norma.

Iniciar avaliação gratuita

O que há de novo: BBQ

O que seu banco de dados vetorial deve fazer por você?

Saiba o que é um banco de dados vetorial

Busca de vetores: contexto, intenção, relacionamentos
A busca de similaridade pode retornar os resultados corretos — mesmo quando as palavras não correspondem.
tutorial prático
Busca híbrida: precisão + flexibilidade
Busca de palavras-chave é precisa. A busca vetorial é complexa. A busca híbrida une os dois.
Exemplos de busca híbrida
Vetores esparsos x densos: rápido e eficiente
A expansão de texto esparsa e as correspondências de significado densas são perfeitas para buscas abertas no mundo real.
Tipos de classificação de documentos
Filtros, classificação, reclassificação: Relevância com contexto
Os filtros reduzem o escopo, a classificação encontra o sinal — ambos problemas difíceis, mas que são ótimos quando bem feitos.
Busca kNN filtrada

Elasticsearch: Mais do que apenas vetores, amado por desenvolvedores

Sem lacunas ou concessões — tudo funciona em conjunto, porque foi construído dessa forma

Busca híbrida que entende tudo
A busca híbrida do Elasticsearch combina palavras-chave, vetores, dados geográficos, metadados e muito mais em uma única chamada de API. Classifique os resultados por significado, precisão e contexto.
Facetas e filtros, sem atraso
Filtros e facetas que funcionam rapidamente, mesmo em grande escala — sem lentidão, sem varreduras completas do índice. A Elastic combina a recuperação de aNN com filtros para criar o escopo certo, independentemente de redimensionar.
OpenAI, Anthropic, Hugging Face… todos nativos
APIs de inferência executam inferência nativa com LLMs populares ou modelos integrados para incorporações de texto, classificação, perguntas e respostas, e mais — sem necessidade de infraestrutura de ML externa.
Mais vetores. Menos memória. Sem concessões.
A Better Binary Quantization (BBQ) reduz o consumo de memória em até 95%, ao mesmo tempo em que oferece grande precisão. Cálculos de distância otimizados e recuperação de aNN aceleram a busca de vetores em larga escala.
Busca semântica, menos etapas
O campo semantic_text lida com mapeamentos, incorporações e agrupamentos automaticamente, fornecendo uma recuperação densa e verdadeiramente perfeita em uma única consulta.
Teste o RAG rapidamente — sem necessidade de configuração
Pare com as suposições. O AI Playground permite testar estratégias híbridas de recuperação, classificação de relevância e fragmentação em tempo real, para que você possa ajustar e enviar consultas testadas com confiança.

Execute o Go hospedado na AWS, Azure ou Google Cloud — ou use o serverless e deixe a Elastic cuidar do resto.

Conferir agora Veja os preços

Uma chamada e só

Indexar, procurar, filtrar, aplicar RBAC — em texto, incorporações, geografismo, séries temporais ou metadados

Gerar embeddings
Capture significado, contexto e associações transformando dados em vetores densos. Crie posts de blog sobre embeddings
POST _inference/my-e5-endpoint { "input": "How many adult mallard ducks fit in an american football field?" }

Índices de embeddings

O armazenamento vetorial do Elasticsearch se baseia no algoritmo HNSW do Lucene, que excede os benchmarks comparativos (veja 'luceneknn').

Nossa abordagem de busca vetorial

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"
}

Embeddings de busca

Execute uma busca kNN para se adequar ao seu caso de uso - aplique o algoritmo ANN para obter velocidade e escala usando o índice HNSW do Lucene ou a correspondência exata.

Explore ANN e 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 
    }
  }
}

Use filtros e lapidação para refinar a busca

Confie na rica estrutura de recursos de filtragem e lapidação do Elasticsearch disponíveis para busca vetorial para criar aplicações intuitivas para o usuário final.

Leia sobre filtragem kNN

Saiba mais sobre lapidação

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"
          }
        }
      ]
    }
  }
}

Combine métodos de recuperação com busca híbrida

Com a recuperação híbrida, escolha entre os métodos de recuperação que oferecem os melhores resultados para o seu caso de uso: BM25, modelo de codificador esparso treinado da Elastic (ELSER) ou vetores densos.

Assista ao vídeo sobre busca híbrida

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
    }
  }
}

Aplique autorização de segurança e conformidade em nível de documento

Aloque controles de acesso por função granulares com segurança em nível de campo e documento, com cobertura em todos os frameworks de conformidade amplamente adotados.

Configure a autorização

Configure a conformidade

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?"
}

O melhor da categoria? Integrado diretamente

Integrações nativas com todos os principais produtos de IA — para que seus apps cheguem mais longe e mais rápido

Um bairro de alta qualidade

Das instruções ao produto, essas organizações confiam na Elastic para desenvolver a busca de última geração

Cliente em destaque
A Reed, a maior recrutadora do Reino Unido, reúne profissionais e empregadores usando incorporações vetoriais no Elasticsearch.
Saiba mais
Cliente em destaque
O Stack Overflow combina o poder dos especialistas humanos com a IA generativa para acelerar a recuperação de informações confiáveis das bases de conhecimento dos desenvolvedores.
Saiba mais
Cliente em destaque
A Adobe redimensiona, gerencia vários casos de uso e coloca os recursos de machine learning para trabalhar com a Elastic.
Saiba mais

Superset de banco de dados vetorial

Escolha um banco de dados vetorial com base na experiência de busca vetorial que você quer criar.

Outros bancos de dados vetoriais

Elasticsearch

Ingerir, analisar e indexar

Modelo de documento flexível

suporte parcial

suporte completo (gratuito)

Armazenamento seguro (segurança no nível de campo e documento)

suporte parcial

suporte completo (pago)

Processe dados estruturados e dados não estruturados

suporte parcial

suporte completo (gratuito)

Ferramentas de ingestão (clientes, rastreador da web,* conectores,* pipelines de inferência*)

suporte parcial

suporte completo (*pago)

Atualizações de documentos e metadados em tempo real

suporte parcial

suporte completo (gratuito)

Texto semântico para armazenamento vetorial otimizado

suporte parcial

suporte completo (gratuito)

Embeddings

Recuperação

Machine learning

Ferramentas do Elastic

Perguntas frequentes

O que é um banco de dados vetorial e como ele funciona?

Um banco de dados vetorial armazena informações como vetores, que são representações numéricas de objetos de dados, também conhecidos como embeddings vetoriais. Ele usa embeddings vetoriais para busca multimodal em um enorme conjunto de dados estruturados, não estruturados e semiestruturados, como imagens, texto, vídeos e áudio. Os bancos de dados vetoriais são construídos para gerenciar embeddings vetoriais e, portanto, oferecem uma solução completa para o gerenciamento de dados.

O banco de dados vetorial Open Source mais amplamente implantado

O que seu banco de dados vetorial deve fazer por você?

Busca de vetores: contexto, intenção, relacionamentos

Busca híbrida: precisão + flexibilidade

Vetores esparsos x densos: rápido e eficiente

Filtros, classificação, reclassificação: Relevância com contexto

Elasticsearch: Mais do que apenas vetores, amado por desenvolvedores

Busca híbrida que entende tudo

Facetas e filtros, sem atraso

OpenAI, Anthropic, Hugging Face… todos nativos

Mais vetores. Menos memória. Sem concessões.

Busca semântica, menos etapas

Teste o RAG rapidamente — sem necessidade de configuração

Execute o Go hospedado na AWS, Azure ou Google Cloud — ou use o serverless e deixe a Elastic cuidar do resto.

Uma chamada e só

Gerar embeddings

Índices de embeddings

Embeddings de busca

Use filtros e lapidação para refinar a busca

Combine métodos de recuperação com busca híbrida

Aplique autorização de segurança e conformidade em nível de documento

O melhor da categoria? Integrado diretamente

Um bairro de alta qualidade

Cliente em destaque

Cliente em destaque

Cliente em destaque

Superset de banco de dados vetorial

Outros bancos de dados vetoriais

Elasticsearch

Ingerir, analisar e indexar

Embeddings

Recuperação

Machine learning

Ferramentas do Elastic

Perguntas frequentes

O que é um banco de dados vetorial e como ele funciona?

O que são embeddings vetoriais?

Quais são os benefícios de um banco de dados vetorial?

O Elasticsearch é um banco de dados vetorial?

Por que escolher o Elastic como seu banco de dados vetorial?