---
title: "超越关键词匹配：Easysearch 如何用向量检索实现语义搜索"
date: 2026-01-14
lastmod: 2026-01-14
description: "深入讲解向量检索如何超越传统关键词匹配，通过 embedding 技术实现语义理解，详解 Easysearch 中向量字段定义、KNN 检索、搜索管道集成等实战配置，助力智能问答与语义搜索场景"
tags: ["向量检索", "语义搜索", "embedding"]
summary: "引言 # 想象这样一个场景：你在公司内部的知识库里搜索：“接口偶尔超时，但日志没看到错误”，却一无所获。然而，系统中明明存在一篇名为《服务响应延迟排查指南》的文章。这并不是数据缺失，而是传统搜索引擎的局限——它“只认字，不认意”。它不知道“超时”≈“延迟”，“没报错”≈“无明显异常”。为了解决这个问题，现代搜索系统引入了 向量检索 技术，让搜索不再局限于关键词匹配，而是真正开始“理解语义”。本文将带你了解：
向量检索的基本原理 它解决了哪些传统搜索的痛点 Easysearch 是如何实现并向企业级场景赋能的 无需复杂数学，也能彻底搞懂这项关键技术。
一、什么是向量检索？ # 1.1 关键词匹配的局限 # 传统关键词检索关注的是文本中是否出现了用户输入的词语。
例如，用户搜索：
“如何提高搜索准确性？”
系统会去索引中查找包含“提高”“搜索”“准确性”等词的文档，并按相关性返回结果。
这种方法在表达清晰、关键词明确的情况下效果很好；但当用户表达更自然、模糊或长句的时候，系统很难从字面上匹配对应的结果。
1.2 向量检索的核心思想 # 向量检索的基本想法是：
把自然语言转换成一个数字向量，然后在向量空间中比较这些向量之间的距离，从而衡量语义相似度。
换句话说：
每个文本或句子可以映射成一个“数值向量” 语义相似的文本在向量空间会更“接近” 通过比较向量之间的距离（如余弦相似度），可以实现语义检索 这种方法让搜索系统不仅仅依赖字面匹配，还能理解更深层次的语义含义。
二、向量检索解决了什么问题？ # 在传统搜索系统中，关键词检索一直是最核心、最可靠的能力。但随着用户输入方式越来越自然，关键词检索逐渐暴露出一些难以回避的问题。
1. 表达方式不一致的问题 # 用户可能会用不同的方式表达同一个意思，例如：
“搜索性能优化方法” “如何提升搜索系统的速度” “搜索慢了该怎么解决” 从人的角度看，这些问题非常相似；
但从关键词角度看，它们并不完全相同。
向量检索通过语义表示的方式，将这些不同表达映射到相近的向量空间，从而降低对字面一致性的依赖。
2. 同义词与近义表达问题 # 关键词检索对同义词非常敏感：
“延迟高” vs “响应慢” “服务异常” vs “系统出问题” 如果没有额外配置，同义词往往无法自然匹配。"
---
## 引言
想象这样一个场景：你在公司内部的知识库里搜索：“接口偶尔超时，但日志没看到错误”，却一无所获。然而，系统中明明存在一篇名为《服务响应延迟排查指南》的文章。这并不是数据缺失，而是传统搜索引擎的局限——它“只认字，不认意”。它不知道“超时”≈“延迟”，“没报错”≈“无明显异常”。为了解决这个问题，现代搜索系统引入了 向量检索 技术，让搜索不再局限于关键词匹配，而是真正开始“理解语义”。本文将带你了解：
- 向量检索的基本原理
- 它解决了哪些传统搜索的痛点
- Easysearch 是如何实现并向企业级场景赋能的
无需复杂数学，也能彻底搞懂这项关键技术。
---
## 一、什么是向量检索？
### 1.1 关键词匹配的局限
传统关键词检索关注的是文本中是否出现了用户输入的词语。
例如，用户搜索：
> “如何提高搜索准确性？”
系统会去索引中查找包含“提高”“搜索”“准确性”等词的文档，并按相关性返回结果。
这种方法在表达清晰、关键词明确的情况下效果很好；但当用户表达更自然、模糊或长句的时候，系统很难从字面上匹配对应的结果。
### 1.2 向量检索的核心思想
向量检索的基本想法是：
> **把自然语言转换成一个数字向量，然后在向量空间中比较这些向量之间的距离，从而衡量语义相似度。**
换句话说：
- 每个文本或句子可以映射成一个“数值向量”
- 语义相似的文本在向量空间会更“接近”
- 通过比较向量之间的距离（如余弦相似度），可以实现语义检索
这种方法让搜索系统不仅仅依赖字面匹配，还能理解更深层次的语义含义。
---
## 二、向量检索解决了什么问题？
在传统搜索系统中，关键词检索一直是最核心、最可靠的能力。但随着用户输入方式越来越自然，关键词检索逐渐暴露出一些难以回避的问题。
### 1. 表达方式不一致的问题
用户可能会用不同的方式表达同一个意思，例如：
- “搜索性能优化方法”
- “如何提升搜索系统的速度”
- “搜索慢了该怎么解决”
从人的角度看，这些问题非常相似；
但从关键词角度看，它们并不完全相同。
向量检索通过语义表示的方式，将这些不同表达映射到相近的向量空间，从而降低对字面一致性的依赖。
---
### 2. 同义词与近义表达问题
关键词检索对同义词非常敏感：
- “延迟高” vs “响应慢”
- “服务异常” vs “系统出问题”
如果没有额外配置，同义词往往无法自然匹配。
而向量检索在语义空间中可以天然捕捉这种相似性。
---
### 3. 长文本与自然语言问题
当用户输入的是一整句话甚至一段描述时：
“最近接口偶尔超时，日志没看到明显错误”
关键词检索很难判断哪些词是重点。
向量检索则可以将整段文本作为一个整体进行语义理解。
---
## 三、Easysearch 中的向量检索实现
Easysearch 在设计上既保留了传统的关键词检索能力，又支持向量检索，使得两者可以在一个系统中协同工作，从而兼顾精确性和语义理解能力。下面是 Easysearch 对向量检索的实现逻辑分解。
---
### 3.1 向量字段的定义
在 Easysearch 中，向量检索的前提是要必须安装 knn 插件，参考 [插件安装](https://docs.infinilabs.com/easysearch/main/docs/getting-started/install/#%e6%8f%92%e4%bb%b6%e5%ae%89%e8%a3%85) 。然后在索引中定义一个可以存储向量的字段。这个字段通常是一个固定长度的浮点向量，用于存放文本或句子的 embedding 表示。
示例：
```json
PUT /my-vector-index
{
"mappings": {
"properties": {
"text_vector": {
"type": "knn_dense_float_vector",
"knn": {
"dims": 128,
"model": "lsh",
"similarity": "cosine"
"L": 99,
"k": 1
}
}
}
}
}
```
上面的配置定义了一个向量字段 `text_vector`，用于存放 128 维的向量，并指定使用 LSH_COSINE 来衡量相似度。
关于向量字段：
- `dims`：向量维度
- `model`：模型类型
- `similarity`：相似度类型（如余弦相似度）
- `L`：哈希表的数量。一般来说，增加此值会增加召回率。
- `k`：用于形成单个哈希值的哈希函数的数量。一般来说，增加此值会增加精度。
这一步是向量检索的基础，也是搜索系统能够理解语义的前提。
> LSH（Locality-Sensitive Hashing）是一种近似最近邻搜索算法，适合大规模向量快速查找。
---
### 3.2 向量生成：将文本转成向量
在执行向量搜索前，需要将用户的查询文本转化为向量。这个过程不能由 Easysearch 自动完成（除非内置本地模型），因此通常借助 **搜索管道（Search Pipeline）**机制，在查询到达时动态调用外部 embedding 服务完成转换，实现向量生成：
```json
PUT /_search/pipeline/semantic_pipeline
{
"request_processors": [
{
"semantic_query_enricher": {
"tag": "semantic-enricher",
"description": "Generate vector from natural language input",
"url": "https://api.openai.com/v1/embeddings",
"vendor": "openai",
"api_key": "",
"default_model_id": "text-embedding-3-small",
"vector_field_model_id": {
"text_vector": "text-embedding-3-small"
}
}
}
]
}
```
这个管道配置了：
- 调用外部模型生成向量
- 将生成的向量存储到目标字段 `text_vector`
这样，当用户发起查询时，Easysearch 会先将查询文本转换成向量，然后再进行向量检索。
> embedding 是一种将文本转换为固定长度数值向量的技术，常见于 NLP 模型如 BERT、Sentence-BERT 或 OpenAI 的 text-embedding 模型。
---
### 3.3 向量检索 DSL 示例
当索引建立并且向量字段定义好之后，就可以执行向量检索了。
以下是一个常见的向量检索 DSL 示例：
```json
GET /my-vector-index/_search
{
"query": {
"knn_nearest_neighbors": {
"field": "text_vector",
"vec": {
"values": [
-0.37436,
-0.11959,
-0.87609,
-1.1217,
1.2788,
0.48323,
-0.53903,
0.053659,
-0.23929,
-0.12414,
......
]
},
"model": "lsh",
"similarity": "cosine",
"candidates": 50
}
}
}
```
这个 DSL 表示：
- 在字段 `text_vector` 上使用向量检索
- knn_nearest_neighbors: 表示执行 K 最近邻（K-Nearest Neighbors）搜索
- vec.values: 字段填入的是由 embedding 模型生成的浮点数数组
- model：模型类型。
- similarity：相似度类型。
这种办法允许系统把用户的自然语言查询转换成向量，然后在内置向量索引中进行搜索，从而返回在语义空间中最接近的结果。
---
## 四、向量检索的工程实践：如何在 Easysearch 中高效使用
向量检索相较于传统关键词检索具有以下优势：
### 4.1 语义理解能力更强
向量检索基于 embedding，将文本转成向量表示，能够捕捉到文本背后的语义信息：
- 同义词或近义表达可以被映射到相似向量
- 不同的表达方式可以得到相似结果
例如：
“搜索引擎的工作原理” 和 “如何设计一个文本搜索系统”
此类查询结果在语义上具有相似性，向量检索可以更好地召回相关内容。
---
### 4.2 混合查询：语义 + 关键词
向量检索与关键词检索并不是对立的，而是互补的：
- 关键词检索提供**精确匹配**
- 向量检索提供**语义相似匹配**
- 混合使用可以提高召回率和准确性
---
### 4.3 典型使用模式
Easysearch 在设计上支持混合查询能力，允许开发者根据业务需要灵活组合。在 Easysearch 中，向量检索并不是一个独立存在的“高级功能”，而是作为搜索体系中的一种能力，与全文检索、过滤、聚合等机制协同工作。从工程实践角度来看，Easysearch 更强调**可控、可组合、可落地**。
#### 1. 向量检索通常不是“唯一条件”
在真实系统中，Easysearch 很少只使用纯向量检索，而是结合结构化条件，例如：
- 时间范围
- 数据类型
- 状态字段
这样可以避免语义搜索范围过大，同时保证结果符合业务上下文。
---
#### 2. 向量检索更多用于“召回阶段”
在 Easysearch 的搜索链路中，向量检索通常承担的是：
**扩大候选结果范围（Recall）**
而不是直接决定最终排序。
之后，系统仍然可以结合：
- 关键词命中情况
- 业务权重
- 时间衰减策略
对结果进行进一步筛选和排序。
---
#### 3. 与搜索管道协同使用
Easysearch 通过搜索管道机制，可以在查询阶段自动完成：
- 自然语言 → 向量转换
- 查询增强与规则注入
- 统一搜索策略管理
这使得向量检索的引入不会破坏原有搜索体系，而是作为能力叠加。
---
## 五、向量检索的应用场景
向量检索特别适合以下场景：
### 5.1 问答系统
用户使用自然语言提问时，向量检索可以将查询语义映射到内容向量空间，从而返回最相关的答案。
### 5.2 模糊语义搜索
用户用不同表达方式提问，但意图相同：
- “怎么提升搜索速度？”
- “搜索性能优化的方法有哪些？”
这类查询完全可以通过向量检索得到更理想的结果。
### 5.3 数据推荐与相似性计算
比如：推荐与当前文章语义相似的文章或日志。
### 5.4 客户工单智能匹配
当客服收到一条新工单：“页面加载慢，特别是在早上九点”，系统可通过向量检索自动匹配历史相似案例，辅助快速响应。
### 5.5 日志异常聚类与检索
运维人员输入“最近某个服务偶尔卡顿”，即可召回语义相近的日志条目，即使关键字不完全匹配。
---
## 六、总结
从“找得到”到“猜得准”，向量检索正在让搜索系统变得更像一个“懂你”的助手。Easysearch 将语义能力无缝融入现有搜索架构，既保留了关键词检索的精确性，又赋予系统理解自然语言的能力。这种平衡的设计理念，正是其在企业级场景中落地的关键所在。未来，随着大模型与向量技术的深度融合，我们有望看到更加智能、主动的搜索体验。