1、一个 OTLP 端点，三个团队，零路由规则：Elasticsearch Streams AI 分区
https://elasticstack.blog.csdn ... 70873

2、谁来评判评判者？在 Elasticsearch Workflows 中使用 LLM-as-a-Judge
https://elasticstack.blog.csdn ... 51391

3、如何使用 OpenTelemetry 在 Elastic 上构建搜索分析，无需额外的管道
https://elasticstack.blog.csdn ... 15352

4、Agent 评测：方法论与体系设计
https://mp.weixin.qq.com/s/7a2L-GatYYwI6s1uK9mTjA

5、一份可信来源，终结 Skill 管理混乱：Skill 治理最佳实践
https://mp.weixin.qq.com/s/b88VRdAQ2u7IhQBqvNcnVg

编辑：Muse
更多资讯：http://news.searchkit.cn

1.Embodied3D-DataAgent：基于阿里云 Elastic+AI Agent Builder 的具身机器人 3D 资产全链路数据智能体
https://blog.csdn.net/UbuntuTo ... 76175

2.Semantic_text 字段默认嵌入模型变为 .jina-embeddings-v5-text-small
https://blog.csdn.net/UbuntuTo ... 31729

3.百万Token上下文窗口，正在成为Agent最大的技术负债
https://mp.weixin.qq.com/s/1N4WZHjbRsRIpqiEGDXaBw



编辑：kin122    
更多资讯：http://news.searchkit.cn

1、OpenAI 发布 GPT-5.6 系列：三款模型、多智能体协作、全新安全体系
https://www.oschina.net/news/471754/gpt-5-6

2、Elasticsearch 深度搜索与查询 DSL 实战：精准定位数据的核心技法
https://cloud.tencent.com/deve ... 15508

3、Elaticsearch 向量迁 Easysearch：别只改字段名
https://mp.weixin.qq.com/s/hEUcF36emuFafSeOlR-dyg

4、大数据量分页，Easysearch 是如何避免性能陷阱的
https://mp.weixin.qq.com/s/BNN4wrKOeog8nRoOUaa2Vw

编辑：Fred 
更多资讯：http://news.searchkit.cn


[Easysearch](https://easysearch.cn) 提供了强大的向量搜索能力，打破传统关键词匹配的局限，实现真正的“懂你”的语义搜索。助力企业快速构建智能推荐、图像识别和内容理解等 AI 应用，释放数据深层价值。

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
  
  

  Embedding 服务
  

  
  在使用向量搜索前，先要准备一个 Embedding 模型，支持与 OpenAI API 兼容的 embedding 接口和 Ollama embedding 接口。本文使用阿里云上的 Embedding 模型进行演示。
  
  

  写入方法
  

  
  

  方法一：写入链路嵌入（推荐）
  

  
  在数据写入 Easysearch 时，通过 Ingest Pipeline 自动调用 Embedding 服务：
  
  应用写数据 → Easysearch → Ingest Pipeline → 调用 Embedding API → 写入向量字段
  
  优势是写入后即可搜索，无需维护外部向量化流程。需要确保集群应至少有一个节点拥有 ingest 角色。
  
  

  方法二：离线批处理
  

  
  在应用侧完成向量化，再将向量字段直接写入 Easysearch：
  
  原始数据 → 应用 → 调用模型 Embedding API → 写入 Easysearch（含向量字段）
  
  参考[文档](https://docs.infinilabs.com/ea ... earch/)。
  
  

  实战
  

  
  我们实战演示模式一，分为以下几个步骤：
  
  

  1. 建立带有向量字段的索引
     
  2. 创建对应的 Ingest Pipeline
     
  3. 写入数据到索引
     
     

     1. 建立带有向量字段的索引
     

     
     先建立一个带向量字段的索引，注意 dims 要与向量模型的输出匹配。
     
     plain<br /> PUT /my-index<br /> {<br /> "mappings": {<br /> "properties": {<br /> "text_vector": {<br /> "type": "knn_dense_float_vector",<br /> "knn": {<br /> "dims": 1024,<br /> "model": "lsh",<br /> "similarity": "cosine",<br /> "L": 99,<br /> "k": 1<br /> }<br /> }<br /> }<br /> }<br /> }<br /> <br />
     
     

     2. 创建对应的 Ingest Pipeline
     

     
     写入数据前先建立 Ingest Pipeline，注意 vendor 必须根据使用的模型来指定，比如本文使用的是阿里云 text-embedding-v4 模型，该模型提供了 OpenAI 格式的 API 接口，这里 vendor 我们就写 openai。
     
     plain<br /> PUT _ingest/pipeline/text-embedding-pipeline<br /> {<br /> "description": "用于生成文本嵌入向量的管道",<br /> "processors": [<br /> {<br /> "text_embedding": {<br /> "url": "<a href="https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings"" rel="nofollow" target="_blank">https://dashscope.aliyuncs.com ... ot%3B</a>,<br /> "vendor": "openai",<br /> "api_key": "xxxxxx",<br /> "text_field": "input_text",<br /> "vector_field": "text_vector",<br /> "model_id": "text-embedding-v4",<br /> "dims": 1024,<br /> "ignore_missing": false,<br /> "ignore_failure": false<br /> }<br /> }<br /> ]<br /> }<br /> <br />
     
     text_field：指定原始文本字段，Pipeline 会将该字段的内容转换成向量。
     
     vector_field：指定向量存储的字段，保存上面转换的向量。
     
     

     3. 写入数据
     

     
     plain<br /> POST /_bulk?pipeline=text-embedding-pipeline&pretty<br /> {"index": {"_index": "my-index", "_id": "1"}}<br /> {"input_text": "苹果发布了新款iPhone 15 Pro手机，搭载A17芯片"}<br /> {"index": {"_index": "my-index", "_id": "2"}}<br /> {"input_text": "特斯拉宣布将在上海建第二座超级工厂"}<br /> {"index": {"_index": "my-index", "_id": "3"}}<br /> {"input_text": "今天天气真好，阳光明媚适合去公园散步"}<br /> {"index": {"_index": "my-index", "_id": "4"}}<br /> {"input_text": "程序员用Python写了一个自动化数据清洗脚本"}<br /> {"index": {"_index": "my-index", "_id": "5"}}<br /> {"input_text": "故宫博物院推出了夏季特展，展出珍贵文物"}<br /> {"index": {"_index": "my-index", "_id": "6"}}<br /> {"input_text": "小明每天坚持跑步五公里，身体越来越健康"}<br /> {"index": {"_index": "my-index", "_id": "7"}}<br /> {"input_text": "人工智能大模型在自然语言处理领域取得突破"}<br /> {"index": {"_index": "my-index", "_id": "8"}}<br /> {"input_text": "这家咖啡店的拿铁口感丝滑，推荐给咖啡爱好者"}<br /> {"index": {"_index": "my-index", "_id": "9"}}<br /> {"input_text": "量子计算机有望在药物研发中发挥重要作用"}<br /> {"index": {"_index": "my-index", "_id": "10"}}<br /> {"input_text": "周末和朋友一起去爬山，山顶的风景美极了"}<br />
     
     
     
     

     4. 检查数据
     

     
     搜索索引数据，看看是否成功转换成了向量。可以看到原始数据保存在 input_text 字段中，其向量保存到了 text_vector。
     
     
     
     OK，下一步我们看看怎么方便地实现向量搜索。
     
     
     ---
     
     

     关于 Easysearch
     

     
     
     
     INFINI Easysearch 是一个分布式的搜索型数据库，实现非结构化数据检索、全文检索、向量检索、地理位置信息查询、组合索引查询、多语种支持、聚合分析等。Easysearch 可以完美替代 Elasticsearch，同时添加和完善多项企业级功能。Easysearch 助您拥有简洁、高效、易用的搜索体验。
     
     官网文档：<https://docs.infinilabs.com/easysearch>;
     
     ---
     
     相关文章：
     
     

• [Easysearch 向量搜索指南](https://docs.infinilabs.com/ea ... earch/)