在Elasticsearch（ES）最新版本（目前8.x系列）中，无需额外的“embedding插件”，因为ES从7.14版本开始就原生支持向量数据类型（dense_vector） 和向量搜索能力，可直接作为向量库使用。其核心功能是存储、索引和搜索高维向量（如文本embedding、图像特征等），常用于语义搜索、推荐系统等场景。

一、核心概念与前提

• 向量（Vector）：这里指高维浮点数组（如文本经BERT模型转换的768维embedding），用于量化表示数据的语义/特征。
• dense_vector类型：ES中用于存储向量的字段类型，支持高维向量（最大维度取决于版本，8.x支持至2048维）。
• 向量搜索：通过计算向量间的相似度（如余弦相似度、欧氏距离），找到与目标向量最相似的结果（kNN搜索）。

二、作为向量库的使用步骤

1. 定义索引映射（Mapping）

首先创建一个包含dense_vector字段的索引，用于存储向量数据。例如，存储“文本+embedding”的索引：

PUT /text_embeddings
{"mappings": {"properties": {"text": { "type": "text" },  // 原始文本"embedding": {               // 向量字段"type": "dense_vector","dims": 768,               // 向量维度（需与实际embedding维度一致，如BERT的768维）"index": true,             // 开启索引（用于向量搜索）"similarity": "cosine"     // 相似度计算方式（cosine/euclidean/l2_norm，默认l2_norm）}}}
}

• dims：必须与embedding的维度一致（如768、1024等）。
• similarity：指定默认相似度算法（余弦相似度最常用于语义匹配）。
• index: true：启用向量索引（基于HNSW算法的近似kNN搜索），提升搜索性能。

2. 插入带向量的数据

将文本通过embedding模型（如BERT、Sentence-BERT）转换为向量后，存入ES：

POST /text_embeddings/_doc/1
{"text": "Elasticsearch是一个分布式搜索引擎","embedding": [0.123, 0.456, ..., 0.789]  // 768维向量（省略部分维度）
}POST /text_embeddings/_doc/2
{"text": "向量搜索用于语义匹配","embedding": [0.234, 0.567, ..., 0.890]  // 另一768维向量
}

注意：向量需由外部模型生成（ES不负责文本→向量的转换），常见工具如Python的sentence-transformers库。

3. 执行向量搜索（kNN搜索）

给定一个查询文本，先通过相同的embedding模型转换为向量，再在ES中搜索最相似的向量：

GET /text_embeddings/_search
{"knn": {"field": "embedding",       // 向量字段名"query_vector": [0.111, 0.222, ..., 0.333],  // 查询文本的embedding向量"k": 3,                     // 返回最相似的3个结果"num_candidates": 100       // 候选集大小（影响精度和性能，建议为k的10-100倍）},"fields": ["text"]  // 只返回原始文本字段
}

• 结果解释：ES会计算query_vector与索引中所有向量的相似度（按similarity指定的算法），返回Top 3最相似的文档。
• 精确搜索：若需精确计算（非近似），可使用script_score结合向量函数（但性能较差，适合小数据量）：

GET /text_embeddings/_search
{"query": {"script_score": {"query": { "match_all": {} },"script": {"source": "cosineSimilarity(params.query_vector, 'embedding') + 1.0","params": {"query_vector": [0.111, 0.222, ..., 0.333]}}}}
}

三、核心原理过程

1. 向量存储原理

• dense_vector字段将向量以浮点数组形式存储，与其他字段（如文本、数字）共同构成文档。
• 当index: true时，ES会为向量构建近似最近邻（ANN）索引，基于HNSW（Hierarchical Navigable Small World）算法：
  • HNSW通过构建多层“导航图”，加速向量相似度计算，避免全量比对（全量比对在高维、大数据量下性能极差）。
  • 索引过程中，向量会被插入到图中，每层保留部分邻居节点，查询时通过上层导航快速定位候选节点，再在下层精确筛选。

2. 向量搜索原理

1. 查询向量生成：用户输入的查询文本（或其他数据）通过embedding模型转换为与存储向量同维度的向量。
2. 近似匹配：ES使用HNSW索引，从查询向量出发，在导航图中快速找到num_candidates个候选向量（候选集）。
3. 精确计算：对候选集中的向量，按指定的相似度算法（如余弦）计算精确得分。
4. 结果返回：按得分排序，返回Top k个最相似的文档。

3. 与embedding模型的协同流程

完整的“文本语义搜索”流程如下：

原始文本 → （embedding模型）→ 向量 → 存入ES（dense_vector字段）↑                                  ↓
查询文本 → （同一embedding模型）→ 查询向量 → ES向量搜索 → 相似文本结果

• 关键：查询向量与存储向量必须来自同一embedding模型，否则向量空间不兼容，相似度无意义。

四、最新版本的优化（8.x）

• 更高维度支持：从早期版本的1024维提升至2048维，适配更大模型的embedding。
• 性能优化：HNSW索引的构建和查询效率提升，支持更大规模的向量数据（千万级以上）。
• 混合搜索：可同时结合向量搜索与传统文本搜索（如match查询），例如“语义相似且包含特定关键词”。

总结

ES最新版本通过dense_vector字段和kNN搜索原生支持向量存储与检索，无需额外插件。其核心是利用HNSW算法实现高效的近似向量匹配，常与外部embedding模型结合，用于语义搜索等场景。使用时需注意向量维度一致性和相似度算法的选择，以保证搜索效果。