🔍 Elasticsearch + Milvus 构建高效知识库问答系统（RAG 技术实战）

📌 目录

1. 背景介绍
2. Elasticsearch 在知识库检索中的作用
3. Milvus 在知识库检索中的作用
4. 混合检索：Elasticsearch + Milvus
5. 完整代码实现
6. 部署建议与优化方向
7. 总结

---

背景介绍

在构建基于大语言模型（LLM）的知识增强型生成系统（RAG）中，知识库检索是整个流程的核心环节。它决定了模型是否能从庞大的文档中快速定位到相关上下文信息。

传统的 RAG 系统通常采用以下两阶段流程：

[Query] → [Retriever] → [Top-k Docs] → [LLM] → [Answer]

其中 Retriever 可以是稀疏检索（如 BM25）、稠密检索（如 Milvus），也可以是两者的混合。

本文将详细介绍如何使用 Elasticsearch 和 Milvus 来构建一个高效的多模态检索系统，并提供可运行的 Python 示例代码。

---

Elasticsearch 在知识库检索中的作用

功能概述：

• 基于关键词匹配的稀疏检索
• 支持倒排索引和 TF-IDF/BM25 模型
• 快速召回高相关性文档
• 支持中文分词、拼音搜索、近义词扩展等功能

适用场景：

• 中文医疗问答系统
• 法律条文检索
• 小规模 FAQ 库
• 对语义理解要求不高的冷启动阶段

示例代码（Python）

from elasticsearch import Elasticsearch
from sentence_transformers.util import cos_sim# 初始化 ES 客户端
es = Elasticsearch(hosts=["http://localhost:9200"])# 插入文档
doc1 = {"content": "大模型训练需要大量高质量数据"}
doc2 = {"content": "RAG 系统通过外部知识提升回答能力"}
es.index(index="medical_kb", document=doc1)
es.index(index="medical_kb", document=doc2)# 查询
query_body = {"match": {"content": "如何提升问答系统的准确性？"}
}
response = es.search(index="medical_kb", body=query_body)# 输出结果
print("Elasticsearch 回答结果：")
for hit in response['hits']['hits']:print(f" - {hit['_source']['content']}")

---

Milvus 在知识库检索中的作用

功能概述：

• 支持高维向量存储与相似度检索（ANN）
• 可与 BERT、Sentence-BERT、BGE 等句向量模型结合
• 实现语义级别的相似度计算
• 支持大规模数据检索（亿级向量）

适用场景：

• 大规模知识库
• 高精度语义匹配
• 图像/文本混合检索
• LLM + 向量数据库联合部署

示例代码（Python + Milvus）

pip install pymilvus sentence-transformers

from sentence_transformers import SentenceTransformer
from pymilvus import connections, Collection# 加载语义编码器
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')# 连接 Milvus
connections.connect(host='localhost', port='19530')
collection = Collection("faq_collection")# 插入向量（假设你已建立好 collection 并导入了知识库向量化内容）# 查询
query_text = "如何提升问答系统的准确性？"
query_vec = model.encode([query_text])collection.load()
results = collection.search(data=query_vec, anns_field="embedding", param={"metric_type": "IP", "offset": 0}, limit=3)# 输出结果
print("Milvus 语义检索结果：")
for result in results:for hit in result:print(f" - ID: {hit.id} Distance: {hit.distance}")

---

混合检索：Elasticsearch + Milvus

你可以采用如下流程来构建一个高效的 RAG 问答系统：

[用户问题]↓
Elasticsearch → [Top-50 粗召回文档] ↓
Milvus → [Top-10 语义相似文档]↓
Reranker → [Top-3 最佳匹配段落]

✅ 混合优势：

优点	描述
冷启动友好	利用 ES 快速上线
语义准确	Milvus 提升召回质量
高效排序	结合 reranker 进一步优化输出
支持中文	可选择支持中文的 embedding 模型

---

完整代码实现（Python 示例）

以下是一个完整的混合检索流程示例：

from elasticsearch import Elasticsearch
from sentence_transformers import SentenceTransformer
from pymilvus import connections, Collection# 初始化组件
es = Elasticsearch(hosts=["http://localhost:9200"])
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
connections.connect(host='localhost', port='19530')
milvus_col = Collection("faq_collection")def hybrid_retrieval(query, k=3):# Step 1: Elasticsearch 粗召回es_result = es.search(index="medical_kb", body={"match": {"content": query}})es_docs = [hit["_source"]["content"] for hit in es_result["hits"]["hits"]]# Step 2: Milvus 语义精排query_vec = model.encode([query])milvus_results = milvus_col.search(data=query_vec, anns_field="embedding", param={"metric_type": "IP"}, limit=k)# Step 3: 返回 top-k 文档final_docs = []for result in milvus_results:for hit in result:final_docs.append(es_docs[hit.id])return final_docs[:k]

---

部署建议与优化方向

1. 数据预处理建议：

• 使用 jieba 或 HanLP 对中文进行分词
• 清洗无意义符号、HTML、乱码
• 构建统一的数据格式（如 JSON）

2. 索引构建建议：

• Elasticsearch：
  • 使用 ik-analyzer 中文分词插件
  • 设置字段类型为 text 或 keyword
• Milvus：
  • 使用 HNSW 或 IVF-PQ 索引加速查询
  • 设置合适的维度（如 768 / 1024）
  • 开启 GPU 加速（如支持）

3. 性能调优建议：

组件	调优方式
Elasticsearch	分片策略、索引合并、关闭不必要的日志
Milvus	使用 ANN 索引、调整 nprobe、批量插入
Embedding 模型	使用轻量模型（如 bge-small, gte-base）
缓存机制	Redis 缓存高频问题与答案
异步检索	使用 Celery 或 FastAPI 异步接口

4. 可选高级功能：

• Reranking：使用 BAAI/bge-reranker-base 等交叉编码器进一步打分排序
• 向量更新机制：定期更新 Milvus 中的知识库向量
• 混合评分融合：对 ES 和 Milvus 的结果做加权得分排序

---

总结

方法	是否理解语义	是否需训练	是否支持中文	是否适合大规模	是否适合冷启动
Elasticsearch	❌ 否	❌ 否	✅ 是	✅ 是	✅ 是
Milvus	✅ 是	✅ 是	✅（模型决定）	✅ 是	❌ 否
FAISS	✅ 是	✅ 是	✅（模型决定）	⭐ 有限	❌ 否
混合检索（ES+Milvus）	✅ 是	✅ 是	✅ 是	✅ 是	✅ 是

---

✅ 推荐组合方案

方案一：纯稀疏检索（仅使用 ES）

适合冷启动或无语义模型的场景，无需 GPU 资源。

Query → Elasticsearch → Top-k Docs

方案二：纯稠密检索（仅使用 Milvus）

适合有预训练语义模型（如 BGE、Jina、OpenAI embeddings）的场景。

Query → Dense Encoder → Milvus → Top-k Docs

方案三：混合检索（ES + Milvus）

适合企业级 RAG 系统，兼顾效率与精度。

Query → Elasticsearch → Top-50 Docs↓Milvus → Top-10 Docs↓Reranker → Top-3 最终输出

---

📌 欢迎点赞、收藏，并关注我，我会持续更新更多关于 AI、LLM、视觉-语言模型等内容！