在现代搜索系统里，单纯的关键词匹配已经无法满足用户对 **语义理解 **和 **个性化搜索体验 **的需求。为了让搜索更智能、更贴近用户意图，越来越多的系统开始引入 向量检索。而市场上成熟的搜索引擎仍然离不开 关键词检索 的稳定基础。那么，什么是向量检索和关键词检索？它们有什么区别？Easysearch 又是如何在一个系统中同时支持这两种搜索方式的？我们从核心原理出发，用通俗的语言来解释这些问题。
一、关键词检索：基于文字匹配的传统搜索 #
什么是关键词检索？ #
关键词检索就是我们日常熟悉的那种搜索方式：系统按照用户输入的词去查找包含这些词的文档，并根据一定的排序算法返回结果。例如：
搜索 “搜索引擎 原理”
系统会查找文档中同时包含 “搜索引擎” 和 “原理” 的内容，并根据匹配程度、文档权重等因素排名。
关键词检索的核心在于：
- 索引结构 — 通常是反向索引（Inverted Index），每个词对应出现它的所有文档列表。
- 分词与权重 — 文本被拆分成词或词组，计算词频（TF）或结合逆文档频率（IDF）来衡量重要性。
- 相关性排序 — 利用算法（如 BM25 或类似模型）评估文档与查询的匹配质量。
这样做的优势是：
- 查询速度快，执行效率高
- 结果可解释性强
- 对精确匹配表现优异
但它也有局限：
- 无法理解用户没有明确表达的语义
- 对同义词、表达差异不够敏感
- 结果可能对“词序/词形变化”缺乏弹性
这就是为什么传统搜索在满足精确检索时很有效，但在“理解模糊意图”上存在不足的原因。
二、向量检索：从语义层面理解查询 #
什么是向量检索？ #
向量检索（Vector Search）是近几年兴起的搜索方式，它基于一种思想：
把文本映射到一个多维空间，使语义相似的句子在空间上更接近。
传统关键词检索关心的是词是否匹配，而向量检索关注的是“语义相似度”。
向量如何表示文本？ #
现代机器学习模型（例如 embedding 模型）可以把一段文字转换为一个数值向量，例如：
“如何理解搜索意图” → [0.12, -0.03, 0.88, …]
这个向量代表了这句话的整体语义特征。对两段语义相近的句子，它们对应的向量在空间中距离更近。
在向量检索中，核心就是：
- 把所有文档转成向量并建立索引
- 把查询也转成向量
- 通过计算查询向量与文档向量之间的相似度（如余弦相似度）来返回最相关的文档
这种方式比关键词检索更善于捕获“整体意思”，尤其适合：
- 语义搜索
- 模糊问法
- 最近邻查找（KNN 查询）
三、两个世界的差异：关键词 vs 向量 #
| 特性 | 关键词检索 | 向量检索 |
|---|---|---|
| 基础 | 词与词的匹配 | 向量空间语义距离 |
| 优点 | 精确、快速、解释性强 | 理解模糊语义、支持语义搜索 |
| 局限 | 不理解同义/上下文 | 对精确匹配不一定最佳 |
| 使用场景 | 日常搜索、严格匹配 | 智能问答、个性化搜索 |
关键词检索和向量检索不是二选一，而是互补的搜索能力。在实际系统中，它们可以一起工作，让搜索既能保持可靠性、解释性，又能有更强的语义理解能力。
四、Easysearch 如何同时支持两种检索能力 #
作为一款分布式搜索型数据库，Easysearch 与传统全文搜索引擎一样，天生支持结构化/全文检索，同时也内置了对向量检索的支持。其核心设计理念是：
在统一的索引和查询机制下，让关键词检索与向量检索各自发挥优势，并在需要时组合使用。
下面我们从工程层面逐步解释它是如何做到的。
1. 单一索引，多种检索模式 #
Easysearch 的索引不仅是传统的反向索引，它也支持向量字段类型。你可以在创建索引时定义某些字段为向量类型，然后在这些字段上执行向量搜索。
例如：
PUT /my-index
{
"mappings": {
"properties": {
"content_vector": {
"type": "knn_dense_float_vector",
"knn": {
"dims": 50,
"model": "lsh",
"similarity": "cosine"
}
}
}
}
}
这个定义让一个字段既可以做传统文本字段，又可以作为向量检索字段。
2. 向量检索通过 kNN API 实现语义查找 #
Easysearch 提供了 kNN（近邻搜索）API，用于执行向量空间中最相似向量的查询。该 API 允许指定：
- 向量字段
- 查询向量
- 相似度函数（如余弦距离、L1/L2 距离）
这样，系统就能在搜索时直接基于语义向量进行“最相似项查找”，而不仅仅是关键词匹配。
3. 搜索管道（Search Pipeline）实现请求预处理 #
关键词检索和语义检索的处理过程略有不同：
- 关键词检索直接使用词表、反向索引和匹配逻辑
- 向量检索需要先将文本转换成向量表示
为了解决这个差异，Easysearch 使用 搜索管道机制（Search Pipelines） 来处理搜索请求。
搜索管道可以按顺序执行一系列处理器：
- 拦截请求文本
- 若需要向量检索，则调用模型或外部服务生成查询向量
- 将向量信息放入查询结构
- 最终发送给搜索引擎执行
举例来说，使用 [semantic_query_enricher](https://docs.infinilabs.com/easysearch/main/docs/references/ai-integration/search-text-embedding/) 处理器可以自动将查询文本转换成向量，无需用户手工构造向量数组。
4. 混合搜索：关键词与语义协同提升相关性 #
Easysearch 不仅支持纯向量搜索和纯关键词搜索，还支持更高级的混合搜索能力（比如结合关键词匹配信号和语义相似度信号）。这种搜索策略让两者的优势互补：
- 关键词信号快速筛选精确匹配
- 向量检索捕获语义近似
组合结果后，可以得到既精确又语义相关的结果，特别适合用户输入不够规范或涉及含义层面查询的场景。
五、工程上的协同：为什么不只选一种 #
简单的关键词检索足够快速可控，但在“模糊意图”下容易漏掉语义相关内容；而纯向量检索虽然擅长语义相似性，却可能在精确性上弱于关键词匹配。
Easysearch 通过 统一的索引结构、可配置的管道和兼容的查询 API 同时支持：
- 传统搜索：高效、解释性强
- 向量搜索：语义意识强
- 混合搜索：两者兼顾
这样的设计让搜索系统既能在“查找包含关键字的文档”方面有传统优势，同时在“理解用户意图”上利用现代向量技术。
六、总结：统一搜索、协同理解 #
在搜索领域，“理解用户意图”和“匹配用户输入”从来不是二选一的问题，而是如何在不同场景下灵活使用不同技术的能力。
通过在一个系统内同时支持关键词检索和向量检索，Easysearch 让搜索既保持了传统全文搜索的稳定和效率，又具备了语义理解层面的能力，从而能够更全面、更准确地响应用户的查询意图。
