查询嵌入模型

API 状态说明 #

在 Easysearch 中，不存在 GET /_ai/embeddings/{model} API。

相关的 AI 嵌入功能 #

虽然不存在 GET /_ai/embeddings/{model} API，但 Easysearch 提供了其他嵌入相关功能：

已废弃的嵌入 API #

以下 API 已废弃（返回 410 Gone）：

POST /_ai/embed
POST /_ai/embed/{model}

当前推荐的嵌入方式 #

Easysearch 推荐通过以下方式使用嵌入功能：

1. 摄取管道（Ingest Pipeline） #

使用 text_embedding 处理器在文档索引时自动生成嵌入向量：

PUT /_ingest/pipeline/embedding-pipeline
{
  "processors": [
    {
      "text_embedding": {
        "model": "nomic-embed-text:latest",
        "text_field": "content",
        "vector_field": "content_embedding"
      }
    }
  ]
}

2. 搜索管道（Search Pipeline） #

使用 semantic_query_enricher 在搜索时进行语义查询增强：

PUT /_search/pipeline/semantic-pipeline
{
  "request_processors": [
    {
      "semantic_query_enricher": {
        "model_name": "text-embedding-ada-002",
        "text_field": "query_text",
        "embedding_field": "content_embedding"
      }
    }
  ]
}

模型配置 #

Easysearch 通过配置文件或环境变量配置嵌入模型：

Ollama 配置 #

# easysearch.yml
ollama.url: "http://localhost:11434"

OpenAI 配置 #

# 通过 API 密钥配置

支持的嵌入模型 #

模型名称	描述	类型
`nomic-embed-text:latest`	Nomic 文本嵌入模型	Ollama
`text-embedding-ada-002`	OpenAI 嵌入模型	OpenAI
`text-embedding-3-large`	OpenAI 大型嵌入模型	OpenAI

使用示例 #

创建带嵌入的文档 #

POST /my-index/_doc?pipeline=embedding-pipeline
{
  "title": "Hello World",
  "content": "This is a sample document"
}

使用语义搜索 #

GET /my-index/_search?search_pipeline=semantic-pipeline
{
  "query": {
    "match": {
      "content": "sample text"
    }
  }
}

嵌入向量字段配置 #

索引中需要定义向量字段：

PUT /my-index
{
  "mappings": {
    "properties": {
      "content": {
        "type": "text"
      },
      "content_embedding": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine"
      }
    }
  }
}

注意事项 #

GET /_ai/embeddings/{model} API 在 Easysearch 中不存在
相关的嵌入 REST API 已废弃
建议使用摄入管道和搜索管道实现嵌入功能
向量字段需要在索引映射中预先定义