1. 信创环境下部署 INFINI Gateway：为 Easysearch 构建高性能安全入口
https://infinilabs.cn/blog/202 ... form/

2. 探索 OpenSearch 3.7
https://opensearch.org/blog/ex ... -3-7/

3. 代理式相关性调优：让LLM代理完成搜索工程工作
https://opensearch.org/blog/ag ... ning/

4. 在NVIDIA Blackwell数据中心GPU上扩展FLUX.2的NVFP4推理
https://developer.nvidia.com/b ... gpus/

5. 国产统信 UOS 部署 Coco Server 全指南：从零搭建企业级 AI 搜索服务端
https://infinilabs.cn/blog/202 ... form/

编辑：Muse
更多资讯：http://news.searchkit.cn

1.使用 OpenTelemetry 观测 vLLM
https://mp.weixin.qq.com/s/AzVRlUHsFEpQWvFQNFYUIw
2.在 Kubernetes 上正确使用 NVIDIA MIG 共享 GPU：从 8 块 GPU 到 32 个隔离切片
https://mp.weixin.qq.com/s/RJB7zJ07AMYdXYB02Kf71Q
3.Agent Infra 赛道更新，一年后为 Agent 设计的基建发展如何？
https://mp.weixin.qq.com/s/ePkW0igISSqIpTd2PXYGrQ

编辑：Se7en
更多资讯：http://news.searchkit.cn


INFINI Easysearch 2.3.1 正式发布。本版本围绕企业级搜索服务的运维管理、安全控制和性能优化持续演进，新增更全面的巡检信息采集能力，增强集群服务管理约束，优化文档写入与 mapping 解析性能，并针对 S3 兼容存储、CCR 恢复、UI 管理等场景修复多项问题，进一步提升系统稳定性、兼容性与生产环境使用体验。

Easysearch 本次更新如下：

功能特性 (Features)

• 巡检 UI 新增集群状态、模板、索引元数据、快照、集群运行时信息、节点信息、插件、节点诊断信息及分片/段信息等采集项，提升问题诊断覆盖范围。
  
• 服务管理 UI 的创建和加入集群流程新增节点角色约束，协调节点不能与 master、data、ingest 角色同时选择。
  
• 服务管理登录时增加 root 账户限制检测，避免以 root 账户访问受管服务。
  
  

  改进优化 (Improvements)
  

  
  

• 新增 S3 disable_bulk_delete 配置（客户端名称空间为 s3.client.<name>.disable_bulk_delete，默认 false）；启用后批量删除路径会逐个调用 DeleteObject，用于兼容不支持 DeleteObjects 的 S3 兼容存储。
  
• 持续完善 source_reuse 的写入和读取重建，提升复杂 mapping 场景下的兼容性和性能；包含 nested mapping 的索引改用完整 _source，已有索引动态加入 nested mapping 后需 reindex。
  
• 优化文档写入与 mapping 解析热路径，减少 JSON/XContent、日期和点号字段解析中的对象创建与重复处理，提升批量索引吞吐。
  
• 巡检任务默认不再勾选“数据样本”采集；需要时仍可手动启用，降低默认采集真实索引数据的风险。
  
  

  问题修复(Bug Fixes)
  

  
  

• 修复开启安全认证且根路径不允许匿名访问时，Easysearch UI 因登录前探测根路径而无法登录的问题。
  
• 修复 Agent 服务管理中可通过服务列表或巡检入口绕过服务登录状态的问题。
  
• 修复编辑集群配置时可能意外重置管理员密码的问题。
  
• 修复巡检页面无法正确解析服务版本的问题。
  
• 修复开发工具中缓存的集群名称、标识与实际集群信息不同步的问题。
  
• 修复 Java 21 环境下 CCR 初始恢复并发读取文件时可能触发 IllegalStateException: confined 并导致恢复失败的问题。
  
  ---
  
  以上为本版本重点更新摘要，更多详情请查看 Easysearch 产品 [Release Notes](https://docs.infinilabs.com/ea ... earch/) 或联系我们的技术支持团队！
  
  

  获取新版本
  

  
  INFINI Easysearch v2.3.1 已正式发布，欢迎升级体验：
  
  

• 下载地址：<https://infinilabs.cn/download/>;
  
• 快速开始：<https://docs.infinilabs.com/ea ... gt%3B
  
  

  关于 Easysearch
  

  
  
  
  INFINI Easysearch 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。
  
  Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。
  
  Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。
  
  官网：<https://easysearch.cn>;
  
  

1、下一代搜索智能体评测基准！美团开源 LoHoSearch，用知识图谱校准 AI 能力认知
https://my.oschina.net/meituantech/blog/19726797

2、告别命令行：用 DBX 可视化操作 Easysearch 全流程解析
https://infinilabs.cn/blog/202 ... arch/

3、Elasticsearch 9.5 迈向分析型数据库！
https://mp.weixin.qq.com/s/F-QaWqtwDAq9C3vfBPSRYA

4、RAG 不用向量数据库，用 MySQL 硬扛？坑你没商量……
https://mp.weixin.qq.com/s/G6JFrTD8VmiS4eEGHIJeIA

5、INFINI Easysearch 向量搜索实战（一）
https://infinilabs.cn/blog/202 ... ch-1/

编辑：Fred
更多资讯：http://news.searchkit.cn

在 Windows、macOS、Linux 或 Docker 环境中，使用 DBX 一个轻量桌面客户端完成 Easysearch 连接管理、索引浏览、文档操作与查询。


一个界面管理 Easysearch

DBX 是一款开源、轻量的数据库工具，支持 70 多种数据库与数据服务。针对 Easysearch，DBX 提供以下常用能力：

• 保存并管理 Easysearch 连接，支持用户名、密码、TLS/SSL 与代理配置；
  
• 展开连接后直接浏览当前账号有权访问的索引；
  
• 以表格或文档视图查看、筛选、排序和分页浏览文档；
  
• 在查询编辑器中执行 REST、Query DSL 与常用 SQL；
  
• 对具备写入权限的索引新增、修改或删除文档；
  
• 通过 DBX MCP 将已有连接提供给支持 MCP 的 AI 工具使用。
  
  

  三步连接 Easysearch
  

  
  

  本文截图与示例基于 DBX v0.5.71 和 Easysearch v2.3.1。连接测试、集群状态查询、索引浏览、文档搜索与写入能力均已在实际环境中完成验证。
  
  

  1. 选择 Easysearch
  

  
  打开 DBX，点击顶部的“新建连接”。在数据库类型列表中搜索并选择 Easysearch，然后点击“下一步”。
  
  
  
  

  图 1 在 DBX 中选择 Easysearch
  
  ### 2. 填写连接信息
  
  填写连接名称、主机、端口、用户名和密码。Easysearch 常用 HTTP 端口为 9200；如果服务使用 HTTPS，请在“TLS/SSL”页签中配置证书校验方式。
  
  也可以直接粘贴完整连接 URL，由 DBX 自动解析连接参数。发布或分享截图时，请始终隐藏真实密码、内部地址和访问令牌。
  
  
  
  图 2 填写 Easysearch 连接信息
  
  ### 3. 测试并保存
  
  点击“测试”确认网络、账号和权限配置正确，再点击“保存并连接”。连接成功后，DBX 会在左侧连接树中展示当前账号可访问的索引。
  
  **连接失败时优先检查**
  服务地址与端口是否可达；用户名、密码和账号权限是否正确；HTTPS 证书链与主机名校验是否匹配；本机代理、隧道或防火墙是否允许访问目标服务。
  
  ## 浏览索引与文档
  
  展开 Easysearch 连接并点击索引，DBX 会读取索引结构并加载文档。常见字段可以直接以表格形式展示，也可以切换到文档视图查看完整 JSON。
  
  
  
  图 3 在 DBX 中浏览 Easysearch 索引文档
  
  工具栏提供刷新、自动刷新、跳转列、新增行、提交和回滚等操作。对于具备写入权限的索引，可以直接在结果区域新增或修改文档，再统一提交变更。
  
  需要缩小结果范围时，可以在筛选区域输入 JSON 条件。例如筛选指定分类：
  
  ```json
  {
  "category": "compatibility"
  }
  ```
  
  需要使用完整 Query DSL 时，可以通过 $esQuery 传入查询对象：
  
  ```json
  {
  "$esQuery": {
  "match": {
  "title": "Easysearch"
  }
  }
  }
  ```
  
  ## 执行 REST、Query DSL 与 SQL
  
  DBX 的 Easysearch 查询编辑器支持 METHOD /path 格式的 REST 请求。输入请求后，使用编辑器左侧的执行按钮或快捷键运行，即可在下方查看状态码和 JSON 响应。
  
  例如，检查集群健康状态：
  
  ```json
  GET /_cluster/health
  ```
  
  
  
  图 4 在 DBX 中执行 Easysearch REST 查询
  
  ## 更多查询方式
  
  执行 Query DSL：
  
  ```json
  POST /products/_search
  {
  "query": {
  "match": {
  "name": "database"
  }
  }
  }
  ```
  
  对于 Easysearch 当前版本支持的常用 SQL，也可以直接输入：
  
  ```sql
  SELECT title, category, score FROM products ORDER BY score DESC LIMIT 20;
  ```
  
  DBX 会将兼容响应转换为结果表格。遇到 Elasticsearch 版本差异、专有扩展或 SQL 兼容性限制时，建议改用明确的 REST 与 Query DSL 请求，以便准确控制请求路径和参数。
  
  ## 与 AI 工具协作
  
  启用 DBX MCP 后，支持 MCP 的 AI 编码工具可以复用 DBX 中保存的 Easysearch 连接，在现有访问策略下执行查询，无需在提示词或聊天记录中重复填写连接密码。
  
  **生产环境建议**
  为 AI 工具单独准备只读或受限账号，明确允许访问的索引范围，并保持文档写入、删除索引等高风险操作默认关闭。
  
  ## 下载与反馈
  
  Easysearch 官网：[https://easysearch.cn](https://easysearch.cn)
  DBX 官网：[https://dbxio.com](https://dbxio.com)
  DBX 下载：[https://github.com/t8y2/dbx/releases](https://github.com/t8y2/dbx/releases)
  DBX GitHub：[https://github.com/t8y2/dbx](https://github.com/t8y2/dbx)
  
  如果你正在使用 Easysearch，可以下载 DBX 体验连接管理、索引浏览、文档操作和查询能力。遇到兼容性问题或有新的使用建议，欢迎在 DBX GitHub 仓库提交 Issue。
  


[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 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。
     
     Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。
     
     Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。
     
     官网：<https://easysearch.cn>;
     
     ---
     
     相关文章：
     
     

• [Easysearch 向量搜索指南](https://docs.infinilabs.com/ea ... earch/)
  
• [INFINI Easysearch 向量搜索实战（二）](https://infinilabs.cn/blog/202 ... rch-2/)


[上回](https://infinilabs.cn/blog/202 ... rch-1/) 我们通过 Ingest Pipeline 把数据在写入 [Easysearch](https://easysearch.cn) 的过程中自动转换成了向量，这次我们通过 Search Pipeline 实现查询时将查询内容转换成向量并进行查询。

Embedding 服务

这里要保持与写入时使用的模型一致。

实战

我们实战演示分为以下几个步骤：

1. 建立 Search Pipeline
   
2. 设置索引默认 Pipeline
   
3. 数据查询
   
   

   建立 Search Pipeline
   

   
   plain<br /> PUT /_search/pipeline/default_model_pipeline<br /> {<br /> "rewrite_processors": [<br /> {<br /> "semantic_query_enricher" : {<br /> "description": "Sets the default embedding model",<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": "<api_key>",<br /> "default_model_id": "text-embedding-v4",<br /> "vector_field_model_id": {<br /> "text_vector": "text-embedding-v4"<br /> }<br /> }<br /> }<br /> ]<br /> }<br />
   
   
   
   

   设置索引默认 Pipeline
   

   
   为了方便查询，不用每次查询都指定 Pipeline，我们设置默认值。
   
   plain<br /> PUT /my-index/_settings<br /> {<br /> "index.search.default_pipeline" : "default_model_pipeline"<br /> }<br />
   
   
   
   

   数据查询
   

   
   使用上次写入的数据进行查询测试，但不直接查询原来的文本内容。
   
   plain<br /> GET /my-index/_search<br /> {<br /> "_source": "input_text",<br /> "query": {<br /> "semantic": {<br /> "text_vector": {<br /> "query_text": "非常先进高级的生产车间",<br /> "candidates": 100,<br /> "query_strategy": "LSH_COSINE"<br /> }<br /> }<br /> }<br /> }<br />
   
   参数解释请查看[文档](https://docs.infinilabs.com/ea ... dding/)。
   
   
   
   OK，从上面可以看到，我们没有直接搜索原文本中的内容或关键字，但还是通过文本的语义检索到了相关内容。
   
   
   
   ---
   
   

   关于 Easysearch
   

   
   
   
   INFINI Easysearch 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。
   
   Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。
   
   Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。
   
   官网：<https://easysearch.cn>;
   
   ---
   
   相关文章：
   
   

   • [INFINI Easysearch 向量搜索实战（一）](https://infinilabs.cn/blog/202 ... rch-1/)
     
   • [Easysearch 向量搜索指南](https://docs.infinilabs.com/ea ... earch/)