---
title: "INFINI Easysearch 向量搜索实战（一）"
date: 2026-07-15
lastmod: 2026-07-15
description: "Easysearch提供先进的向量搜索功能，支持稠密向量和稀疏向量两种数据类型，集成多种索引模型和相似度算法，实现语义搜索、智能推荐等AI应用。通过Embedding服务将文本转换为向量，支持两种写入模式：写入链路嵌入（自动调用Embedding API）和离线批处理。实战演示包括创建带向量字段的索引、配置Ingest Pipeline实现自动向量化，以及数据写入和验证流程。该技术可应用于RAG、内容推荐、图像搜索等场景，有效挖掘数据价值。"
tags: ["Easysearch"]
summary: "Easysearch 提供了强大的向量搜索能力，打破传统关键词匹配的局限，实现真正的“懂你”的语义搜索。助力企业快速构建智能推荐、图像识别和内容理解等 AI 应用，释放数据深层价值。
核心能力 #     能力 说明     两种向量类型 稠密浮点向量（knn_dense_float_vector）和稀疏布尔向量（knn_sparse_bool_vector）   多种索引模型 lsh（局部敏感哈希，近似搜索）、permutation_lsh（置换 LSH）、sparse_indexed（倒排索引）、exact（精确搜索）   多种相似度 cosine（余弦）、l1（曼哈顿距离）、l2（欧氏距离）、jaccard、hamming   与全文搜索融合 向量字段与文本字段存储在同一索引，支持 Hybrid 混合检索   function_score 集成 向量相似度可作为 function_score 的评分函数    典型应用场景 #   语义搜索：文本通过 Embedding 模型转为向量，按语义相似度检索 RAG 检索增强生成：为大语言模型提供知识库检索能力 推荐系统：用户/商品特征向量的相似推荐 图像/多模态搜索：图像特征向量的相似检索 去重与异常检测：通过向量距离判断内容相似度  Embedding 服务 #  在使用向量搜索前，先要准备一个 Embedding 模型，支持与 OpenAI API 兼容的 embedding 接口和 Ollama embedding 接口。本文使用阿里云上的 Embedding 模型进行演示。"
---


Easysearch 提供了强大的向量搜索能力，打破传统关键词匹配的局限，实现真正的“懂你”的语义搜索。助力企业快速构建智能推荐、图像识别和内容理解等 AI 应用，释放数据深层价值。

## 核心能力
| **能力** | **说明** |
| --- | --- |
| 两种向量类型 | 稠密浮点向量（knn_dense_float_vector）和稀疏布尔向量（knn_sparse_bool_vector） |
| 多种索引模型 | lsh（局部敏感哈希，近似搜索）、permutation_lsh（置换 LSH）、sparse_indexed（倒排索引）、exact（精确搜索） |
| 多种相似度 | cosine（余弦）、l1（曼哈顿距离）、l2（欧氏距离）、jaccard、hamming |
| 与全文搜索融合 | 向量字段与文本字段存储在同一索引，支持 Hybrid 混合检索 |
| function_score 集成 | 向量相似度可作为 function_score 的评分函数 |


## 典型应用场景
+ 语义搜索：文本通过 Embedding 模型转为向量，按语义相似度检索
+ RAG 检索增强生成：为大语言模型提供知识库检索能力
+ 推荐系统：用户/商品特征向量的相似推荐
+ 图像/多模态搜索：图像特征向量的相似检索
+ 去重与异常检测：通过向量距离判断内容相似度

## Embedding 服务
在使用向量搜索前，先要准备一个 Embedding 模型，支持与 OpenAI API 兼容的 embedding 接口和 Ollama embedding 接口。本文使用阿里云上的 Embedding 模型进行演示。

## 写入方法
## 方法一：写入链路嵌入（推荐）
在数据写入 Easysearch 时，通过 Ingest Pipeline 自动调用 Embedding 服务：

`应用写数据 → Easysearch → Ingest Pipeline → 调用 Embedding API → 写入向量字段`

优势是写入后即可搜索，无需维护外部向量化流程。需要确保集群应至少有一个节点拥有 ingest 角色。

## 方法二：离线批处理
在应用侧完成向量化，再将向量字段直接写入 Easysearch：

`原始数据 → 应用 → 调用模型 Embedding API → 写入 Easysearch（含向量字段）`

参考[文档](https://docs.infinilabs.com/easysearch/main/docs/features/vector-search/vector-search/)。

## 实战
我们实战演示模式一，分为以下几个步骤：

1. 建立带有向量字段的索引
2. 创建对应的 Ingest Pipeline
3. 写入数据到索引

## 1. 建立带有向量字段的索引
先建立一个带向量字段的索引，注意 dims 要与向量模型的输出匹配。

```plain
PUT /my-index
{
  "mappings": {
    "properties": {
      "text_vector": {
        "type": "knn_dense_float_vector",
        "knn": {
          "dims": 1024,
          "model": "lsh",
          "similarity": "cosine",
          "L": 99,
          "k": 1
        }
      }
    }
  }
}

```

## 2. 创建对应的 Ingest Pipeline
写入数据前先建立 Ingest Pipeline，注意 vendor 必须根据使用的模型来指定，比如本文使用的是阿里云 text-embedding-v4 模型，该模型提供了 OpenAI 格式的 API 接口，这里 vendor 我们就写 openai。

```plain
PUT _ingest/pipeline/text-embedding-pipeline
{
  "description": "用于生成文本嵌入向量的管道",
  "processors": [
    {
      "text_embedding": {
        "url": "https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings",
        "vendor": "openai",
        "api_key": "xxxxxx",
        "text_field": "input_text",
        "vector_field": "text_vector",
        "model_id": "text-embedding-v4",          
        "dims": 1024,
        "ignore_missing": false,
        "ignore_failure": false
      }
    }
  ]
}

```

text_field：指定原始文本字段，Pipeline 会将该字段的内容转换成向量。

vector_field：指定向量存储的字段，保存上面转换的向量。

## 3. 写入数据
```plain
POST /_bulk?pipeline=text-embedding-pipeline&pretty
{"index": {"_index": "my-index", "_id": "1"}}
{"input_text": "苹果发布了新款iPhone 15 Pro手机，搭载A17芯片"}
{"index": {"_index": "my-index", "_id": "2"}}
{"input_text": "特斯拉宣布将在上海建第二座超级工厂"}
{"index": {"_index": "my-index", "_id": "3"}}
{"input_text": "今天天气真好，阳光明媚适合去公园散步"}
{"index": {"_index": "my-index", "_id": "4"}}
{"input_text": "程序员用Python写了一个自动化数据清洗脚本"}
{"index": {"_index": "my-index", "_id": "5"}}
{"input_text": "故宫博物院推出了夏季特展，展出珍贵文物"}
{"index": {"_index": "my-index", "_id": "6"}}
{"input_text": "小明每天坚持跑步五公里，身体越来越健康"}
{"index": {"_index": "my-index", "_id": "7"}}
{"input_text": "人工智能大模型在自然语言处理领域取得突破"}
{"index": {"_index": "my-index", "_id": "8"}}
{"input_text": "这家咖啡店的拿铁口感丝滑，推荐给咖啡爱好者"}
{"index": {"_index": "my-index", "_id": "9"}}
{"input_text": "量子计算机有望在药物研发中发挥重要作用"}
{"index": {"_index": "my-index", "_id": "10"}}
{"input_text": "周末和朋友一起去爬山，山顶的风景美极了"}
```

{{% load-img "/img/blog/2026/easysearch-vector-search-1/1.png" "" %}}
## 4. 检查数据
搜索索引数据，看看是否成功转换成了向量。可以看到原始数据保存在 input_text 字段中，其向量保存到了 text_vector。

{{% load-img "/img/blog/2026/easysearch-vector-search-1/2.png" "" %}}

OK，下一步我们看看怎么方便地实现向量搜索。
{{% load-img "/img/blog/banner/about_yangf.png" "" %}}