Elastic AI agent builder 介绍（一）

原创 已于 2025-11-29 15:50:21 修改 · 1.3k 阅读 · 31 ·
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许不得转载。
文章标签：

#人工智能 #elasticsearch #大数据 #搜索引擎 #全文检索 #数据库 #ai

于 2025-09-28 15:42:41 首次发布

最近在我的博客里发布了几篇关于 Elastic AI agent builder 文章：

可能很多开发者阅读后还是有一点懵。不知道它到底是什么东西。这是一个目前在 Serverless 里发布的一个功能。在未来的 9.2 版本中也会有这样的一个功能。它的目的是让我们更加方便地创建 AI agents。

如上所示，AI agents 由 LLM 及 Tools 组成。当我们向 agent 发送一个任务时，LLM 会根据 task 里的提示，匹配相应的 tools，并进行调用。这个 task 可能需要多个工具，多个步骤，逐步完成，并最终返回结果。这个和我们传统的 RAG 有所不同。传统的 RAG 只访问一次 LLM。而对于由 agent 组成的 RAG，我们也通常称之为 agentic RAG。它可以访问多个服务（比如返回天气，位置，日历等等），数据库（数据库的多个表格的访问，聚合，lookup 等），多次使用  LLM 进行推理，并生成相应的图表及结果等。

更多阅读：

  • Elastic AI agent builder 介绍（一）（二）（三）（四）（五）

在今天的文章中，我们将一个一个简单而浅显的例子来展示 AI agent builder 的强大功能。AI agent builder 是基于 one-chat plugin 来完成的。

Elastic AI Agent builder

Elastic Agent Builder：Agents

Agents 是使用自定义指令和一组分配工具（tools）定义的 AI 模型（LLM）。用户可以在 Agent Builder 界面中或通过编程方式使用自然语言与 Agents 交互（chat）。

Agents 会解析用户请求以确定目标，然后循环运行工具以实现该目标。Agents 根据其配置的工具、指令和行为设置提供响应。

工作原理

当你向 Agents 提问时，它会分析请求以确定具体目标。它会选择最合适的工具并决定要使用的参数。Agents 在每次执行后评估返回的信息，并决定是否使用其他工具或生成响应。这个工具选择、执行和分析的循环过程会持续，直到 Agents 能够提供完整的答案。

Elastic Agent Builder 包含一个默认 Agent（名为 Elastic AI Agent），它可以访问所有内置工具。你也可以创建具有自定义指令和选定工具的专用 Agents，以应对特定的使用场景或工作流。

注意：默认的 Elastic AI Agent 是不可变的，不能被编辑。若要自定义 Agent 的行为，你需要通过克隆默认 Agent 或从零创建一个新的 Agent 来实现。

安装

Serverless

你可以在 Elastic clould 里直接创建一个实例来进行测试。UI 在不断地演进。各个版本的界面可能有所不同，但是最主要的功能还是一样的。在 Serverless 上的界面如下：

如果由于某种原因，你不能看到 Agents 这个菜单，那么你可以运行如下的两个命令：

POST kbn://internal/kibana/settings
{
   "changes": {
      "agentBuilder:enabled": true
   }
}

POST kbn://internal/kibana/settings
{
   "changes": {
      "onechat:mcp:enabled": true,
      "onechat:a2a:enabled": true,
      "onechat:api:enabled": true,
      "onechat:ui:enabled": true
   }
}

你也可以通过如下的界面来启动：

同时，为了能够支持语义搜索，我们也需要下载 ELSER 模型：

请注意，由于 ELSER 模型目前只支持英文，对于使用中文的开发者来说，你可以选择上面的 .multilingual-e5-small_linux-x86_64 模型。

Elastic Stack 9.2

在最新的 Elastic Stack 9.2 开始，我们必须运行上面的两个命令，才能看到如下的 Agents 菜单：

POST kbn://internal/kibana/settings
{
   "changes": {
      "agentBuilder:enabled": true
   }
}

POST kbn://internal/kibana/settings
{
   "changes": {
      "onechat:mcp:enabled": true,
      "onechat:a2a:enabled": true,
      "onechat:api:enabled": true,
      "onechat:ui:enabled": true
   }
}

另外，我们还需要启动白金试用：

在安装时，我们还需使用如下的命令来针对 Kibana 进行配置：

 ./bin/kibana-encryption-keys generate
$ ./bin/kibana-encryption-keys generate
## Kibana Encryption Key Generation Utility

The 'generate' command guides you through the process of setting encryption keys for:

xpack.encryptedSavedObjects.encryptionKey
    Used to encrypt stored objects such as dashboards and visualizations
    https://www.elastic.co/guide/en/kibana/current/xpack-security-secure-saved-objects.html#xpack-security-secure-saved-objects

xpack.reporting.encryptionKey
    Used to encrypt saved reports
    https://www.elastic.co/guide/en/kibana/current/reporting-settings-kb.html#general-reporting-settings

xpack.security.encryptionKey
    Used to encrypt session information
    https://www.elastic.co/guide/en/kibana/current/security-settings-kb.html#security-session-and-cookie-settings


Already defined settings are ignored and can be regenerated using the --force flag.  Check the documentation links for instructions on how to rotate encryption keys.
Definitions should be set in the kibana.yml used configure Kibana.

Settings:
xpack.encryptedSavedObjects.encryptionKey: 04a382e1745b78342063015444d7128f
xpack.reporting.encryptionKey: 3088e4f45c87fbecdaa5a2a1ac06ff1a
xpack.security.encryptionKey: 102cb14641fb29744b73273f97abdb39

我们把上面生成的三个 keys 拷贝到 config/kibana.yml 的文件最后，然后再重新启动 Kibana。等完全启动后，我们再选择上面的 Agents 菜单时，我们可以看到：

它表面，我们还没有配置好我们的连接器。我们点击上面的 Connect to an LLM：

如上所示，我们点击 Create connector：

我们选择 OpenAI。参考我之前的文章 “Elasticsearch：在 Elastic 中玩转 DeepSeek R1 来实现 RAG 应用”。我们使用 DeepSeek R1 来进行：

使用以下设置配置连接器

  • Connector name：deepseeak
  • 选择 OpenAI  provider：other (OpenAI Compatible Service)
  • 调整到你的 ollama 的正确路径。如果你从容器内调用，请记住替换 host.docker.internal 或等效项
  • 默认模型：deepseek-chat
  • API 密钥：从 DeepSeek 官方网站申请一个 key
     

点击 Save 保存。我们可以点击 Test 来进行测试：

一旦配置。我在下面开始进行使用。我们再次打开 Agents 界面，我们就可以看到如下的界面：

配置默认模型

我们在 Kibana 中搜索 GenAI Settings：

保存上面的设置。

准备数据

我们的数据不用多复杂。为了展示的方便，我们使用较少的数据及简单的数据集来进行展示。这样大家能看得更加清楚一些。我们在 Kibana 中的 Dev Tools 打入如下的命令：

PUT /people
{
  "mappings": {
    "properties": {
      "id": {
        "type": "integer"
      },
      "name": {
        "type": "text"
      },
      "description": {
        "type": "text",
        "copy_to": "des_semantic"
      },
      "des_semantic": {
        "type": "semantic_text"
      },
      "sex": {
        "type": "keyword"
      },
      "age": {
        "type": "integer"
      },
      "address": {
        "type": "text"
      },
      "location": {
        "type": "geo_point"
      },
      "date_of_birth": {
        "type": "date"
      }
    }
  }
}
POST /_bulk
{ "index" : { "_index" : "people", "_id" : "1" } }
{ "id": 1, "name" : "John Doe", "description" : "A software developer", "sex" : "Male", "age" : 30, "address" : "123 Elm Street, Springfield", "location": {"lat": 37.7749, "lon": -122.4194}, "date_of_birth": "1995-05-15" }
{ "index" : { "_index" : "people", "_id" : "2" } }
{ "id": 2, "name" : "Jane Smith", "description" : "A project manager", "sex" : "Female", "age": 28, "address": "456 Maple Avenue, Anytown", "location": {"lat": 40.7128, "lon": -74.0060}, "date_of_birth": "1997-03-22" }
{ "index" : { "_index" : "people", "_id" : "3" } }
{ "id": 3, "name" : "Alice Johnson", "description" : "A graphic designer", "sex": "Female", "age": 26, "address": "789 Oak Lane, Metropolis", "location": {"lat": 34.0522, "lon": -118.2437}, "date_of_birth": "1999-07-08" }
{ "index" : { "_index" : "people", "_id" : "4" } }
{ "id": 4, "name" : "Bob Brown", "description": "A marketing specialist", "sex": "Male", "age": 32, "address": "321 Pine Street, Gotham", "location": {"lat": 41.8781, "lon": -87.6298}, "date_of_birth": "1992-11-12" }
{ "index" : { "_index" : "people", "_id" : "5" } }
{ "id": 5, "name" : "Charlie Davis", "description": "An IT analyst", "sex": "Male", "age": 29, "address": "654 Cedar Blvd, Star City", "location": {"lat": 29.7604, "lon": -95.3698}, "date_of_birth": "1995-09-30" }
{ "index" : { "_index" : "people", "_id" : "6" } }
{ "id": 6, "name" : "Diana Prince", "description": "A diplomat", "sex": "Female", "age": 35, "address": "987 Birch Road, Themyscira", "location": {"lat": 39.9526, "lon": -75.1652}, "date_of_birth": "1988-04-18" }
{ "index" : { "_index" : "people", "_id" : "7" } }
{ "id": 7, "name": "Evan Wright", "description": "A journalist", "sex": "Male", "age": 27, "address": "213 Willow Lane, Central City", "location": {"lat": 33.4484, "lon": -112.0740}, "date_of_birth": "1996-08-05" }
{ "index" : { "_index" : "people", "_id" : "8" } }
{ "id": 8, "name": "Fiona Gallagher", "description": "A nurse", "sex": "Female", "age": 31, "address": "546 Spruce Street, South Side", "location": {"lat": 32.7157, "lon": -117.1611}, "date_of_birth": "1992-12-10" }
{ "index" : { "_index" : "people", "_id" : "9" } }
{ "id": 9, "name": "George King", "description": "A teacher", "sex": "Male", "age": 34, "address": "879 Elm St, Smallville", "location": {"lat": 39.7392, "lon": -104.9903}, "date_of_birth": "1990-02-28" }
{ "index" : { "_index" : "people", "_id" : "10" } }
{ "id": 10, "name": "Helen Parr", "description": "A full-time superhero", "sex": "Female", "age": 37, "address": "123 Metro Avenue, Metroville", "location": {"lat": 47.6062, "lon": -122.3321}, "date_of_birth": "1986-07-19" }

我们使用上面的命令来创建一个叫做 people 的索引。为了展示的方便，我把 description 的字段也 copy_to 到 des_semantic 字段。这个是一个 semantic_text 字段。我们可以使用它来进行语义搜索。

另外，我们也使用如下的命令来生成一个叫做 parents 的索引：

PUT parents
{
 "settings": {
   "index.mode": "lookup"
 }
}
POST /_bulk
{ "index" : { "_index" : "parents", "_id" : "1" } }
{ "id": 1, "father": "Michael Doe", "mother": "Sarah Doe" }
{ "index" : { "_index" : "parents", "_id" : "2" } }
{ "id": 2, "father": "Robert Smith", "mother": "Laura Smith" }
{ "index" : { "_index" : "parents", "_id" : "3" } }
{ "id": 3, "father": "Thomas Johnson", "mother": "Emily Johnson" }
{ "index" : { "_index" : "parents", "_id" : "4" } }
{ "id": 4, "father": "William Brown", "mother": "Nancy Brown" }
{ "index" : { "_index" : "parents", "_id" : "5" } }
{ "id": 5, "father": "David Davis", "mother": "Jennifer Davis" }
{ "index" : { "_index" : "parents", "_id" : "6" } }
{ "id": 6, "father": "Charles Prince", "mother": "Diana Prince Sr." }
{ "index" : { "_index" : "parents", "_id" : "7" } }
{ "id": 7, "father": "Edward Wright", "mother": "Linda Wright" }
{ "index" : { "_index" : "parents", "_id" : "8" } }
{ "id": 8, "father": "Frank Gallagher", "mother": "Patricia Gallagher" }
{ "index" : { "_index" : "parents", "_id" : "9" } }
{ "id": 9, "father": "George King Sr.", "mother": "Helen King" }
{ "index" : { "_index" : "parents", "_id" : "10" } }
{ "id": 10, "father": "Robert Parr", "mother": "Eliza Parr" }

如上所示，我们在 people 及 parents 两个索引中都定义了一个叫做 id 的字段。我们可以使用这个字段来查询在 people 索引中的人的父母。

创建 agents

创建 software developers agent

接下来，我们分别来创建适合我们搜索的不同 agents。在没有任何定制 agent 的情况下，我们打入如下的查询：

who are the software developers?

我们在搜索框里输入上面的搜索：

很多显然，它没有返回任何我们想要的结果。我们再等一段时间，我们可以看到如下的结果：

最终我们看到了我们想要的结果。可是整个的搜索时间将近半分钟。时间是非常长的。在没有选任何定制 agent 的情况下，它会搜索整个知识库及各个搜索，尽量帮我们搜索所需要的结果，尽管我们没有指定任何的索引。这个也许就是 Elasticsearch 的魅力！

接下来，我们来创建一个属于我们自己定制的 agent。我们首先创建一个 tool：

在上面，在 Tool ID 里，我们输入：

software_developers

我们在 Description 里输入：

 Retrieve all the software developers from people index

在 ES|QL Query 里输入：

 FROM people METADATA _score | WHERE MATCH(description, "software developer")

我们点击 Save 按钮来保存这个 Tool。

有里上面的 sofware_developers 工具的定义，我们接下来创建一个叫做 Software developers server agent 的 agent：

点击上面的 Tools 选项：

我们选项上面的 software_developers 工具。然后选择 Save 按钮。这样我们就生成了我们 Software developers server agent。

接下来，我们使用我们的工具：

这次，我们再次打入如下的查询：

这次的查询速度是非常之快的。在查询的过程中，我们可以看到它选用了我们定义的 Software developers server agent 来做的查询。这个结果是我们所需要的。我们再次做如下的查询：

从上面的搜索中，我们可以看出来， LLM 确实能够理解我们的意图，并查询出我们所需要的结果。

我们接下来做如下的查询：

Who are the journalists?

很显然，我们得不到任何我们想要的结果。这个是因为在我们 ES|QL 查询中，它使用了：

 FROM people METADATA _score | WHERE MATCH(description, "software developer")

也就是说，它只能针对 software developer 或其相近的描述来进行搜索。

创建可以搜索任何职业的 agent

很显然上面的 agent 有其局限性。我们接下来创建一个可以搜索任何职业的 agent。按照上面的流程，我们创建如下的 tool：

people_profession_search
Retrieve the document for people index based on its profession input.
    FROM people METADATA _score
    | WHERE MATCH(description, ?profession) OR MATCH(des_semantic, ?profession)
    | SORT _score DESC
    | LIMIT 1

等效的查询：

POST _query?format=csv
{
  "query": """
    FROM people METADATA _score | WHERE MATCH(description, ?profession)
    | LOOKUP JOIN parents ON id
   """,
   "params": [
    { "profession": "software developer" }
   ]
}

如上所示，我们创建了一个叫做 profession 的参数。这个参数可以传递到我们的 ES|QL 的查询中。同时我们针对 description 及 des_semantic 两个字段来进行查询。

people_profession_search
people profession search
Based on input, search for profession in people index

接下来，我们创建一个叫做 people profession search 的 agent：

我们在她的 Tools 选择我们刚才创建的 tool：

接下来，我们使用这个 agent 来进行查询：

Who are software developers?
Who are journalists?
Who are the reporters?

很显然，这次它能帮我们查询 journalist 了。

创建查找年龄平均值的 agent

如法炮制，我们创建如下的一个 tool：

find_average_age
Calculate the average age of the people index
FROM people | STATS AVG(age)

我们创建如下的一个 agent：

find_out_average_age
average age
average age

我们来查询一下：

我们很快就可以得到结果。

创建查询父母的 agent

查询父母，我们需要用到两个表格，并使它们利用 id 字段来进行关联。我们创建如下的 tool：

search_for_parents
Based on inputs to search a person's parent
FROM people METADATA _score | WHERE MATCH(description, ?profession) OR MATCH(des_semantic, ?profession)
| LOOKUP JOIN parents ON id

等效的查询：

POST _query?format=csv
{
  "query": """
    FROM people METADATA _score | WHERE MATCH(description, ?profession)
    | LOOKUP JOIN parents ON id
   """,
   "params": [
    { "profession": "software developer" }
   ]
}

我们接下来创建如下的一个 agent：

find_parents
Find parents according to profession

我们来做如下的查询：

who are the programmer's parents?

我们得到我们想要的结果。我们可以点击上面的 < 符号来查看有那些步骤被使用：

我们再来查看如下的查询：

我们使用中文来进行搜索一下：

记者的父母是谁？

获取两个参数的查询

在这个查询里，我们想找到年龄在 30 和 40 之前的所有人。那么我改如何构建这个查询呢？首先，我们来创建一个叫做 find_people_in_ages 的 tool：

find_people_in_ages
Search for the people between a start_age and end_age. It should have a start age and end age. For example, Please find people between 30 and 35, then start_age is 30 and end_age is 35
    FROM people
    | WHERE age >= ?start_age AND age <= ?end_age
    | SORT age desc
    | LIMIT 10

然后，我们创建一个叫做 find_people_in_age_range 的 agent：

我们接下来使用如下的查询：

另外一个例子。我们将查询生日在两个时间间隔里的所有人。首先创建工具：

find_people_in_time_range
Search for the people whose date_of_birth are within a period of time
    FROM people
    | WHERE date_of_birth >= ?start AND date_of_birth <= ?end
    | LIMIT 3

再创建一个 agent：find_people_in_time_range

find_people_in_time_range
Search for the people's birthday during a period
find people in time range
find people in time range

然后，我们试一下如下的查询：

Please find people between from 1988-01-01 to 2020-01-01

请查找从 1988-01-01 到 2020-01-01 之间的人

查询航班数据集

针对本地安装的 Elastic Stack 9.2+ 的开发者，我们可以通过如下的方式来加载 flights 数据集（在 Serverless 上没有这个数据集）：

这样，我们就加载好了 flights 数据集。在目前为止，我们还没有为我们的数据集做任何的定制的 tool 及 agents。我们可以做如下的查询：

从中国到美国最便宜的机票是多少？

请注意，在上面，我们使用系统自带的 Elastic AI Agent 来进行查询：

很显然，我们得到了想要的答案。我们接着问这个问题：

从中国到美国最便宜的机票是多少？出发城市和到达城市是什么？

很显然，这个时候，它显得力不从心了。

我们需要为这种情况创建一个专有的 tool 及 agent：

创建查询机票的 tool

我们创建如下的一个 tool：

find_cheapest_ticket_from_cn_us
Find the cheapest air-ticket from China to US.
      FROM kibana_sample_data_flights METADATA _score
      | WHERE MATCH(OriginCountry, "CN") AND MATCH(DestCountry, "US")
      | SORT AvgTicketPrice ASC
      | KEEP AvgTicketPrice, OriginCityName, DestCityName
      | LIMIT 1

创建使用查询机票的 agent

我们接下来创建一个专有的 agent 来使用刚才的工具：

find_the_cheapest_ticket_from_cn_us
This is used to find the cheapest price from China to US
Find cheapest price from China to US
Find cheapest price from China to US

查询机票及起飞城市和到达城市

我们接下来使用刚才创建的 agent 来查询机票及起飞和到达城市：

从中国到美国最便宜的机票是多少？出发城市和到达城市是什么

这次，我们的 agent 以极快的速度查到我们想要的信息。定制的 agent 为我们的语义搜索查询提供了更多的上下文，从而快速地得到我们想要的结果。

MCP 连接

我们可以把我们创建的 agents 直接连接到一些 MCP 的客户端，比如 Claude Desktop。我们可以参考链接。通过在配置中添加这个来配置 Claude Desktop：

{
  "mcpServers": {
    "elastic": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "http://localhost:5601/api/agent_builder/mcp",
        "--header",
        "Authorization:${AUTH_HEADER}"
      ],
      "env": {
        "AUTH_HEADER": "ApiKey {...}"
      }
    }
  }
}

你可以参考我之前的文章 “使用 MCP 将代理连接到 Elasticsearch 并对索引进行查询” 来了解如何配置 Claude Desktop 的配置。

在运行时，你可能会出现 permission 错误。你可以使用如下的命令来进行安装：

sudo npm install -g mcp-remote

针对我的 Serverless 配置：

{
 "mcpServers": {
   "elastic_onechat": {
     "command": "npx",
     "args": [
       "mcp-remote",
       "https://onechat-c77bd4.kb.us-central1.gcp.elastic.cloud/api/agent_builder/mcp",
       "--header",
       "Authorization:${AUTH_HEADER}"
     ],
     "env": {
       "AUTH_HEADER": "ApiKey {YourAPIkey}"
     }
   }
 }
}

好了。今天的展示就到这里。之后，我们继续更新这篇文章，特别是如何使用 API 的方法来使用这个。祝大家阅读愉快！

博客
Elastic 线下 Meetup 将于 2026 年 1 月 10 号下午在北京举行
11-24 1936
2026年ElasticMeetup北京站将于1月10日在腾讯北京总部举办。活动邀请Elastic、腾讯及新智锦绣专家分享前沿技术，包括Elasticsearch向量搜索与AI应用、MCP超级大脑在智能运维中的实践、腾讯云ES的AI能力建设，以及搜索范式从排序到过滤的转变等主题。现场提供茶歇交流机会，并有抽奖环节。报名需实名登记，成功报名后需联系工作人员获取访客码。活动详情及报名链接：https://elastic.huodongxing.com/event/5835577361800
博客
Elastic：如何成为一名 Elastic 认证工程师，Elastic 认证分析师及 Elastic 认证可观测性工程师
10-28 2万+
Elasticsearch 无疑是是目前世界上最为流行的大数据搜索引擎。根据 DB - Engines 的统计，Elasticsearch 雄踞排行榜第一名，并且市场还在不断地扩大：能够成为一名 Elastic 认证工程师也是很多开发者的梦想。这个代表了 Elastic 的最高认证，在业界也得到了很高的认知度。得到认证的工程师，必须除了具有丰富的 Elastic Stack 知识，而且必须有丰富的操作及有效的解决问题的能力。拥有这个认证证书，也代表了个人及公司的荣誉。针对个人的好处是，你可以..
博客
Elastic：开发者上手指南
02-25 16万+
你们好，我是Elastic的刘晓国。如果大家想开始学习Elastic的话，那么这里将是你理想的学习园地。在我的博客几乎涵盖了你想学习的许多方面。在这里，我来讲述一下作为一个菜鸟该如何阅读我的这些博客文章。我们可以按照如下的步骤来学习：1)Elasticsearch简介：对Elasticsearch做了一个简单的介绍2)Elasticsearch中的一些重要概念:cluster,n..........................................................
博客
Elastic：培训视频 - ​在生产环境中配置 Fleet Server 和 Elastic Agent 之间的安全
01-06 1万+
在这篇文章中，我将会把我写的有些内容录制成视频，供大家参考。希望对大家有所帮助。优酷的视频频道地址在这里。Elastic 简介及Elastic Stack 安装：优酷，腾讯 Elastic Stack docker 部署：优酷，腾讯 Elasticsearch中的一些重要概念（Cluster/Shards/Replica/Document/Type/Index）：优酷，腾讯 开始使用El...............
博客
Elasticsearch 简介
08-08 17万+
Elasticsearch是一个非常强大的搜索引擎。它目前被广泛地使用于各个IT公司。Elasticsearch是由Elastic公司创建并开源维护的。它的开源代码位于https://github.com/elastic/elasticsearch。同时，Elastic公司也拥有Logstash及Kibana开源项目。这个三个开源项目组合在一起，就形成了 ELK软件栈。他们三个共同形成了一个强大的...
博客
Streams 处理：告别 Grok 的困扰 - 在 Streams 中解析你的日志
12-12 695
Elastic 9.2推出的Streams功能革新了日志解析体验，将复杂的数据处理转变为直观的UI操作。该功能支持AI自动生成Grok规则、实时模拟测试、条件处理等，能快速解决非结构化日志问题。用户无需离开Kibana即可完成解析规则的创建、测试和部署，特别适合处理混合数据流和遗留系统日志。Streams基于Elasticsearch ingest pipeline构建，既支持ECS也兼容OTel模式，是日志处理的"全能解决方案"。
博客
从数据到部署：推进美国州政府中 AI agent 的负责任使用
12-12 607
美国州政府正积极运用AI技术提升公共服务效率，AIagent成为继聊天机器人后的新焦点。弗吉尼亚州率先推出监管分析AI工具，展示创新应用前景。成功部署AI需三大支柱：高质量数据基础（目前仅23%州有数据治理计划）、系统互操作性和安全保障。工具如Elastic Agent Builder能帮助机构安全协作、自动化流程。专家建议通过公私合作模式，结合技术专业与政策监管，推动负责任AI发展。本文强调数据治理是AI应用的核心，良好数据实践将奠定可信AI基础，但提醒需注意第三方AI工具的数据安全风险。（149字）
博客
Elasticsearch：使用判断列表评估搜索查询相关性
12-12 624
本文介绍了如何使用判断列表(Judgment Lists)来系统评估Elasticsearch搜索查询的相关性。判断列表包含固定查询及其对应相关结果，通过计算recall等指标客观衡量搜索性能改进。文章详细说明了构建判断列表的三种方法（显式、隐式和AI生成判断）及适用场景，并以电影评分应用为例，演示如何通过Ranking Evaluation API计算指标。最后提出建议：从小规模关键查询开始，结合A/B测试验证，定期更新列表，并将其集成到开发流程中，从而实现从技术指标到业务价值的闭环评估。
博客
2026 年的可观测性趋势：成熟度、成本控制与推动业务价值
12-11 444
​过去几年，可观测性领域经历了根本性变革。在最近由 Dimensional Research 进行、Elastic 赞助的报告《2026 年的可观测性格局：平衡成本与创新》中，对 500 多名 IT 决策者进行了调查。结果显示，可观测性已经从可选能力明确转变为关键的业务职能。这一转变在帮助组织优化投资和将可观测性效益延伸到传统 IT 运维之外的同时，也带来了机遇与挑战。以下是未来一年的趋势预测。
博客
Elastic 推出按需免费培训
12-11 930
摘要：Elastic宣布将付费培训改为免费开放，推出按需学习模块，包含短视频、动手练习等灵活形式。新培训涵盖ES|QL安全查询、AI助手等主题，并推出免费认证考试（含GenAI认证）。未来将扩展更多模块，优化学习路径。用户可通过Elastic Training官网立即开始学习。注意：功能发布时间以Elastic官方为准。
博客
如何通过个性化、分群感知排序来提升电商搜索相关性
12-11 1026
本文介绍了在Elasticsearch中实现电商个性化搜索的方法。通过为商品添加分群标签（如"luxury"、"budget"），并结合用户画像，使用乘法提升策略来优化搜索结果排序。这种方法避免了加法式提升的不稳定性，确保相关性高的商品始终优先，同时根据用户偏好给予适度提升。文章详细展示了如何通过function_score查询实现这一策略，包括索引设计、查询构建和权重调整。该方法简单易行，无需机器学习模型，就能实现可预测、可解释的个性化搜索体验。
博客
使用 Elastic Observability 排查你的 Agents 和 Amazon Bedrock AgentCore
12-10 652
摘要：Elastic推出针对Amazon Bedrock Agent Core的可观测性集成方案，实现端到端的Agentic AI监控。该方案通过结合平台层指标（Runtime、Gateway、Memory、Identity组件）和应用层OpenTelemetry追踪，解决非确定性行为、黑盒执行和成本盲点等核心挑战。功能包括预置仪表盘、告警模板、分布式追踪瀑布图，以及AI驱动的日志分析（Streams）和专属SRE助手。方案支持从CloudWatch自动采集指标，并通过OTel实现应用级埋点，提供从模型推理
博客
快速找到答案，将 OpenTelemetry traces 与 Elastic Observability 中现有的 ECS 日志关联起来
12-10 748
摘要：本文介绍了如何通过Elastic Observability将OpenTelemetry traces与ECS日志关联，实现现代可观测性与传统ECS系统的兼容。使用Elastic Distribution of OpenTelemetry(EDOT)的Java SDK注入trace.id和span.id到ECS日志中，并通过EDOT Collector采集处理，确保数据在Kibana中的关联性。文章演示了从混合架构到纯OTel的过渡方案，既保留现有ECS投资，又支持向OTel原生标准的平滑迁移。
博客
AutoOps 实际应用：调查 ECK 上的 Elasticsearch 集群性能
12-10 908
Elastic的InfoSec团队在多集群ECK环境中部署AutoOps，显著提升了运维效率。通过实时问题检测和可视化分析，将集群性能调查时间从30分钟缩短至5分钟。团队采用Helm chart实现基础设施即代码管理，利用Cloud Connect功能简化安装流程。实际案例显示，AutoOps能快速定位写入拒绝问题，提供分片热点可视化，并通过集群重路由即时解决问题。该方案为云和本地部署提供统一运维体验，大幅降低了Elasticsearch的运维复杂度。
博客
Jina-VLM：小型多语言视觉语言模型
12-09 1129
Jina-VLM是一款2.4B参数的视觉语言模型，在多语言视觉问答(VQA)任务中达到SOTA水平。该模型创新性地采用attention-pooling连接器，将视觉tokens减少4倍，同时保持性能，使其可在消费级硬件运行。通过两阶段训练流程，模型在29种语言中表现出色，并避免了纯文本能力的灾难性遗忘。目前支持通过API、CLI和Transformers库使用，但存在tiling开销和多图像推理的局限性。
博客
为什么统一的数据、搜索和互操作性对国防任务至关重要
12-09 865
摘要：本文探讨了在多域作战中实现数据敏捷性与主权控制的方法。通过采用开放标准、数据网格架构和AI技术，国防组织可以在保持数据主权的同时实现跨领域安全访问。Elasticsearch平台提供了跨集群搜索、向量搜索等功能，帮助快速分析大规模数据，缩短决策时间。开放标准确保了系统互操作性，支持不同保密级别的数据关联。AI驱动的检索生成技术可在低带宽环境中提供准确情报。这些技术与国防数据战略相契合，为未来作战提供了灵活、可扩展的数据解决方案。
博客
Elasticsearch：过多的副本数量会如何降低性能，以及该如何解决它
12-09 938
摘要：Elasticsearch中合理设置副本数量对集群稳定性至关重要。虽然副本能提高可用性和搜索扩展性，但过多副本会导致写入放大、内存压力、缓存抖动等问题，影响性能。文章分析了高副本数量的适用场景与负面影响，提供了诊断症状和优化建议，强调应根据实际需求而非猜测设置副本数量。通过真实案例说明合理减少副本可显著改善集群稳定性，并澄清了关于副本减少导致节点过载的常见误解。
博客
Elasticsearch：数据脱节如何破坏现代调查
12-07 675
当每分钟都很重要时，调查人员不应该花上数小时去寻找系统已经知道的内容。执法调查越来越受到碎片化数据系统、叙述性证据和无法跟上现代信息量的人工关联流程的阻碍。关键背景分散在不相连的系统和格式中，包括：记录管理系统（ RMS ）计算机辅助调度（ CAD ）平台数字证据存储库车牌识别（ LPR ）数据访谈开源情报调查数据通常包括大量非结构化数据，例如手写现场笔记、音频记录、监控视频等。
博客
使用 LangGraph.js 和 Elasticsearch 构建一个金融 AI 搜索工作流
12-06 1001
本文介绍了如何使用LangGraph.js和Elasticsearch构建AI驱动的金融搜索工作流。该系统能将自然语言查询转换为动态条件过滤器，用于投资和市场分析。文章详细阐述了工作流程设计，包括五个核心节点：策略决策、参数准备（投资导向/市场导向）、搜索执行和结果可视化。通过条件分支和混合检索技术，系统能自动选择最优搜索路径，提高查询准确性和效率。作者分享了实践中的关键发现，如过滤器取值展示的重要性、搜索模板的稳定性优势等，并展示了实际应用效果。该方案显著降低了复杂查询构建难度，为金融分析提供了更智能的搜
博客
用变量控件提升 Kibana 仪表板的互动性
12-05 982
Kibana 8.18+版本引入了变量控件功能，为用户提供更灵活的仪表板交互体验。这些控件可直接嵌入ES|QL查询中，允许对单个可视化进行筛选、调整时间间隔或更改分组字段，而不会影响其他面板。用户可以通过查询编辑器快速创建控件，支持多值选择、函数切换等操作。该功能不仅适用于仪表板，也能在Discover中使用。变量控件采用服务器端验证确保安全性，未来还将增加更多功能如链式操作、新控件类型等。这一增强功能显著提升了数据分析和监控效率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值