使用 A2A 协议和 MCP 在 Elasticsearch 中创建一个 LLM agent 新闻室：第二部分

A2A与MCP融合构建LLM新闻代理
原创 于 2025-11-25 06:56:43 发布 · 1.2k 阅读 · 30 ·
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：

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

作者：来自 Elastic Justin Castilla

Agent Builder 现在作为技术预览版提供。使用 Elastic Cloud 试用即可开始，并在这里查看 Agent Builder 文档。

A2A 和 MCP：代码实战

这是文章 “在 Elasticsearch 中使用 A2A 协议和 MCP 创建一个 LLM agent 新闻室” 的配套内容，该文章解释了在同一个 agent 中同时实现 A2A 和 MCP 架构以真正获得两个框架独特优势的好处。我们也提供了一个代码仓库，方便你自己运行这个演示。

让我们来看看新闻室的 agent 如何同时使用 A2A 和 MCP 协作完成一篇新闻文章。你可以在这里找到配套的代码仓库，查看这些 agent 的实际运作。

步骤 1：选题分配

新闻主管（作为 client）分配一个选题：

{
  "message_type": "task_request",
  "sender": "news_chief",
  "receiver": "reporter_agent",
  "payload": {
    "task_id": "story_renewable_energy_2024",
    "assignment": {
      "topic": "Renewable Energy Adoption in Europe",
      "angle": "Policy changes driving solar and wind expansion",
      "target_length": 1200,
      "deadline": "2025-09-30T18:00:00Z"
    }
  }
}

步骤 2：记者请求调研

Reporter agent 发现它需要背景信息，并通过 A2A 将任务委派给 Researcher agent：

{
  "message_type": "task_request",
  "sender": "reporter_agent",
  "receiver": "researcher_agent",
  "payload": {
    "task_id": "research_eu_renewable_2024",
    "parent_task_id": "story_renewable_energy_2024",
    "capability": "fact_gathering",
    "parameters": {
      "queries": [
        "EU renewable energy capacity 2024",
        "Solar installations growth Europe",
        "Wind energy policy changes 2024"
      ],
      "depth": "comprehensive"
    }
  }
}

步骤 3：记者向 Archive agent 请求历史背景

Reporter agent 意识到历史背景会强化报道。它通过 A2A 将任务委派给由 Elastic 的 A2A agent 驱动的 Archive agent，在新闻室的 Elasticsearch 驱动文章档案中进行搜索：

{
  "message_type": "task_request",
  "sender": "reporter_agent",
  "receiver": "archive_agent",
  "payload": {
    "task_id": "archive_search_renewable_2024",
    "parent_task_id": "story_renewable_energy_2024",
    "capability": "search_archive",
    "parameters": {
      "query": "European renewable energy policy changes and adoption trends over past 5 years",
      "focus_areas": ["solar", "wind", "policy", "Germany", "France"],
      "time_range": "2019-2024",
      "result_count": 10
    }
  }
}

步骤 4：Archive agent 使用带 MCP 的 Elastic A2A agent

Archive agent 使用 Elastic 的 A2A agent，而这个 A2A agent 又使用 MCP 来访问 Elasticsearch 工具。这个过程展示了混合架构：A2A 负责 agent 协作，而 MCP 提供工具访问：

# Archive Agent using Elastic A2A Agent
async def search_historical_articles(self, query_params):
    # The Archive Agent sends a request to Elastic's A2A Agent
    elastic_response = await self.a2a_client.send_request(
        agent="elastic_agent",
        capability="search_and_analyze",
        parameters={
            "natural_language_query": query_params["query"],
            "index_pattern": "newsroom-articles-*",
            "filters": {
                "topics": query_params["focus_areas"],
                "date_range": query_params["time_range"]
            },
            "analysis_type": "trend_analysis"
        }
    )
    
    # Elastic's A2A Agent internally uses MCP tools:
    # - platform.core.search (to find relevant articles)
    # - platform.core.generate_esql (to analyze trends)
    # - platform.core.index_explorer (to identify relevant indices)
    
    return elastic_response

Archive agent 从 Elastic 的 A2A agent 收到全面的历史数据，并将其返回给 Reporter：

{
  "message_type": "task_response",
  "sender": "archive_agent",
  "receiver": "reporter_agent",
  "payload": {
    "task_id": "archive_search_renewable_2024",
    "status": "completed",
    "archive_data": {
      "historical_articles": [
        {
          "title": "Germany's Energiewende: Five Years of Solar Growth",
          "published": "2022-06-15",
          "key_points": [
            "Germany added 7 GW annually 2020-2022",
            "Policy subsidies drove 60% of growth"
          ],
          "relevance_score": 0.94
        },
        {
          "title": "France Balances Nuclear and Renewables",
          "published": "2023-03-20",
          "key_points": [
            "France increased renewable target to 40% by 2030",
            "Solar capacity doubled 2021-2023"
          ],
          "relevance_score": 0.89
        }
      ],
      "trend_analysis": {
        "coverage_frequency": "EU renewable stories increased 150% since 2019",
        "emerging_themes": ["policy incentives", "grid modernization", "battery storage"],
        "coverage_gaps": ["Small member states", "offshore wind permitting"]
      },
      "total_articles_found": 47,
      "search_confidence": 0.91
    }
  }
}

这一步展示了 Elastic 的 A2A agent 是如何融入新闻室工作流的。Archive agent（新闻室的专用 agent）与 Elastic 的 A2A agent（第三方专家）协作，从而利用 Elasticsearch 强大的搜索和分析能力。Elastic 的 agent 在内部使用 MCP 来访问 Elasticsearch 工具，体现了 agent 协作（A2A）与工具访问（MCP）之间清晰的分离。

步骤 5：Researcher 使用 MCP 服务器

Researcher agent 访问多个 MCP 服务器来收集信息：

# Researcher Agent using MCP to access tools
async def gather_facts(self, queries):
    results = []
    
    # Use News API MCP Server
    news_data = await self.mcp_client.invoke_tool(
        server="news_api_mcp",
        tool="search_articles",
        parameters={
            "query": queries[0],
            "date_range": "2024-01-01 to 2024-09-30",
            "sources": ["reuters", "bloomberg", "euractiv"]
        }
    )
    
    # Use Statistics MCP Server
    stats_data = await self.mcp_client.invoke_tool(
        server="eurostat_mcp",
        tool="get_energy_statistics",
        parameters={
            "metrics": ["solar_capacity_mw", "wind_capacity_mw"],
            "countries": ["EU27"],
            "year": 2024
        }
    )
    
    # Use Fact-Checking MCP Server
    verified_facts = await self.mcp_client.invoke_tool(
        server="factcheck_mcp",
        tool="verify_claims",
        parameters={
            "claims": [
                "EU solar capacity increased 40% in 2024",
                "Germany leads in wind installations"
            ]
        }
    )
    
    return self._synthesize_research(news_data, stats_data, verified_facts)

步骤 6：Researcher 将数据返回给 Reporter

Researcher agent 通过 A2A 将完整的调研结果发回：

{
  "message_type": "task_response",
  "sender": "researcher_agent",
  "receiver": "reporter_agent",
  "payload": {
    "task_id": "research_eu_renewable_2024",
    "status": "completed",
    "research_data": {
      "key_facts": [
        {
          "claim": "EU solar capacity reached 260 GW in 2024",
          "source": "Eurostat Q3 2024 Report",
          "confidence": 0.95,
          "verified": true
        },
        {
          "claim": "Germany installed 12 GW of wind capacity in 2024",
          "source": "German Federal Network Agency",
          "confidence": 0.92,
          "verified": true
        }
      ],
      "statistics": {
        "solar_growth_rate": "35%",
        "wind_growth_rate": "28%"
      },
      "sources_count": 15
    }
  }
}

步骤 7：Reporter 撰写文章

Reporter agent 使用调研数据和自身的 LLM 能力来撰写文章。在写作过程中，Reporter 使用 MCP 服务器来获取风格和模板：

# Reporter Agent writing with MCP assistance
async def write_article(self, research_data, assignment):
    # Get style guidelines via MCP
    style_guide = await self.mcp_client.get_resource(
        server="newsroom_mcp",
        resource="style://editorial/ap_style_guide"
    )
    
    # Get article template via MCP
    template = await self.mcp_client.get_resource(
        server="newsroom_mcp",
        resource="template://articles/news_story"
    )
    
    # Generate article using LLM + research + style
    draft = await self.llm.generate(
        prompt=f"""
        Write a news article following these guidelines:
        {style_guide}
        
        Using this template:
        {template}
        
        Based on this research:
        {research_data}
        
        Assignment: {assignment}
        """
    )
    
    # Self-evaluate confidence in claims
    confidence_check = await self._evaluate_confidence(draft)
    
    return draft, confidence_check

步骤 8：低置信度触发重新调研

Reporter agent 评估其草稿后发现有一个观点置信度较低。它向 Researcher agent 发送另一个请求：

{
  "message_type": "collaboration_request",
  "sender": "reporter_agent",
  "receiver": "researcher_agent",
  "payload": {
    "request_type": "fact_verification",
    "claims": [
      {
        "text": "France's nuclear phase-down contributed to 15% increase in renewable capacity",
        "context": "Discussing policy drivers for renewable growth",
        "current_confidence": 0.45,
        "required_confidence": 0.80
      }
    ],
    "urgency": "high"
  }
}

Researcher 使用 fact-checking MCP 服务器验证该观点，并返回更新的信息：

{
  "message_type": "collaboration_response",
  "sender": "researcher_agent",
  "receiver": "reporter_agent",
  "payload": {
    "verified_claims": [
      {
        "original_claim": "France's nuclear phase-down contributed to 15% increase...",
        "verified_claim": "France's renewable capacity increased 18% in 2024, partially offsetting reduced nuclear output",
        "confidence": 0.88,
        "corrections": "Percentage was 18%, not 15%; nuclear phase-down is gradual, not primary driver",
        "sources": ["RTE France", "French Energy Ministry Report 2024"]
      }
    ]
  }
}

步骤 9：Reporter 修改并提交给 Editor

Reporter 将已验证的事实纳入文章，并通过 A2A 将完成的草稿发送给 Editor agent：

{
  "message_type": "task_request",
  "sender": "reporter_agent",
  "receiver": "editor_agent",
  "payload": {
    "task_id": "edit_renewable_story",
    "parent_task_id": "story_renewable_energy_2024",
    "content": {
      "headline": "Europe's Renewable Revolution: Solar and Wind Surge 30% in 2024",
      "body": "[Full article text...]",
      "word_count": 1185,
      "sources": [/* array of sources */]
    },
    "editing_requirements": {
      "check_style": true,
      "check_facts": true,
      "check_seo": true
    }
  }
}

步骤 10：Editor 使用 MCP 工具进行审核

Editor agent 使用多个 MCP 服务器来审核文章：

# Editor Agent using MCP for quality checks
async def review_article(self, content):
    # Grammar and style check
    grammar_issues = await self.mcp_client.invoke_tool(
        server="grammarly_mcp",
        tool="check_document",
        parameters={"text": content["body"]}
    )
    
    # SEO optimization check
    seo_analysis = await self.mcp_client.invoke_tool(
        server="seo_mcp",
        tool="analyze_content",
        parameters={
            "headline": content["headline"],
            "body": content["body"],
            "target_keywords": ["renewable energy", "Europe", "solar", "wind"]
        }
    )
    
    # Plagiarism check
    originality = await self.mcp_client.invoke_tool(
        server="plagiarism_mcp",
        tool="check_originality",
        parameters={"text": content["body"]}
    )
    
    # Generate editorial feedback
    feedback = await self._generate_feedback(
        grammar_issues, 
        seo_analysis, 
        originality
    )
    
    return feedback

Editor 批准文章并将其发送出去：

{
  "message_type": "task_response",
  "sender": "editor_agent",
  "receiver": "reporter_agent",
  "payload": {
    "status": "approved",
    "quality_score": 9.2,
    "minor_edits": [
      "Changed 'surge' to 'increased' in paragraph 3 for AP style consistency",
      "Added Oxford comma in list of countries"
    ],
    "approved_content": "[Final edited article]"
  }
}

步骤 11：Publisher 通过 CI/CD 发布

最后，Printer agent 使用 MCP 服务器操作 CMS 和 CI/CD 流水线来发布已批准的文章：

# Publisher Agent publishing via MCP
async def publish_article(self, content, metadata):
    # Upload to CMS via MCP
    cms_result = await self.mcp_client.invoke_tool(
        server="wordpress_mcp",
        tool="create_post",
        parameters={
            "title": content["headline"],
            "body": content["body"],
            "status": "draft",
            "categories": metadata["categories"],
            "tags": metadata["tags"],
            "featured_image_url": metadata["image_url"]
        }
    )
    
    post_id = cms_result["post_id"]
    
    # Trigger CI/CD deployment via MCP
    deploy_result = await self.mcp_client.invoke_tool(
        server="cicd_mcp",
        tool="trigger_deployment",
        parameters={
            "pipeline": "publish_article",
            "environment": "production",
            "post_id": post_id,
            "schedule": "immediate"
        }
    )
    
    # Track analytics
    await self.mcp_client.invoke_tool(
        server="analytics_mcp",
        tool="register_publication",
        parameters={
            "post_id": post_id,
            "publish_time": datetime.now().isoformat(),
            "story_id": metadata["story_id"]
        }
    )
    
    return {
        "status": "published",
        "post_id": post_id,
        "url": f"https://newsroom.example.com/articles/{post_id}",
        "deployment_id": deploy_result["deployment_id"]
    }

Publisher 通过 A2A 确认文章已发布：

{
  "message_type": "task_complete",
  "sender": "printer_agent",
  "receiver": "news_chief",
  "payload": {
    "task_id": "story_renewable_energy_2024",
    "status": "published",
    "publication": {
      "url": "https://newsroom.example.com/articles/renewable-europe-2024",
      "published_at": "2025-09-30T17:45:00Z",
      "post_id": "12345"
    },
    "workflow_metrics": {
      "total_time_minutes": 45,
      "agents_involved": ["reporter", "researcher", "archive", "editor", "printer"],
      "iterations": 2,
      "mcp_calls": 12
    }
  }
}

这是配套代码仓库中使用上述相同 agent 的完整 A2A 工作流序列。

#FromToActionProtocolDescription
1UserNews ChiefAssign StoryHTTP POSTUser submits story topic and angle
2News ChiefInternalCreate Story-Creates story record with unique ID
3News ChiefReporterDelegate AssignmentA2ASends story assignment via A2A protocol
4ReporterInternalAccept Assignment-Stores assignment internally
5ReporterMCP ServerGenerate OutlineMCP/HTTPCreates article outline and research questions
6aReporterResearcherRequest ResearchA2ASends questions (parallel with 6b)
6bReporterArchivistSearch ArchiveA2A JSONRPCSearches historical articles (parallel with 6a)
7ResearcherMCP ServerResearch QuestionsMCP/HTTPUses Anthropic via MCP to answer questions
8ResearcherReporterReturn ResearchA2AReturns research answers
9ArchivistElasticsearchSearch IndexES REST APIQueries news_archive index
10ArchivistReporterReturn ArchiveA2A JSONRPCReturns historical search results
11ReporterMCP ServerGenerate ArticleMCP/HTTPCreates article with research/archive context
12ReporterInternalStore Draft-Saves draft internally
13ReporterNews ChiefSubmit DraftA2ASubmits completed draft
14News ChiefInternalUpdate Story-Stores draft, updates status to "draft_submitted"
15News ChiefEditorReview DraftA2AAuto-routes to Editor for review
16EditorMCP ServerReview ArticleMCP/HTTPAnalyzes content using Anthropic via MCP
17EditorNews ChiefReturn ReviewA2ASends editorial feedback and suggestions
18News ChiefInternalStore Review-Stores editor feedback
19News ChiefReporterApply EditsA2ARoutes review feedback to Reporter
20ReporterMCP ServerApply EditsMCP/HTTPRevises article based on feedback
21ReporterInternalUpdate Draft-Updates draft with revisions
22ReporterNews ChiefReturn RevisedA2AReturns revised article
23News ChiefInternalUpdate Story-Stores revised draft, status to "revised"
24News ChiefPublisherPublish ArticleA2AAuto-routes to Publisher
25PublisherMCP ServerGenerate TagsMCP/HTTPCreates tags and categories
26PublisherElasticsearchIndex ArticleES REST APIIndexes article to news_archive index
27PublisherFilesystemSave MarkdownFile I/OSaves article as .md file in /articles
28PublisherNews ChiefConfirm PublicationA2AReturns success status
29News ChiefInternalUpdate Story-Updates story status to "published"

结论

在现代增强型 LLM 基础设施范式中，A2A 和 MCP 都扮演着重要角色。A2A 为复杂的多 agent 系统提供灵活性，但可能可移植性较低且运维复杂度更高。MCP 提供了标准化的工具集成方法，更易于实现和维护，但并非设计用于多 agent 协同。

选择并非二选一。如我们新闻室示例所示，最复杂且高效的 LLM 支持系统通常结合两种方法：agent 通过 A2A 协议进行协调和专业化，同时通过 MCP 服务器访问其工具和资源。这种混合架构在提供多 agent 系统组织效益的同时，也带来了 MCP 的标准化和生态优势。这表明，可能根本不需要选择：直接将两者作为标准方法即可。

作为开发者或架构师，你需要测试并确定两种解决方案的最佳组合，以针对你的具体用例产生最佳结果。理解每种方法的优势、局限性及适用场景，将帮助你构建更高效、可维护且可扩展的 AI 系统。

无论你是在构建数字新闻室、客户服务平台、研究助理还是其他 LLM 驱动的应用，仔细考虑你的协调需求（A2A）和工具访问需求（MCP）都将为成功奠定基础。

附加资源

原文：https://www.elastic.co/search-labs/blog/a2a-protocol-mcp-llm-agent-workflow-elasticsearch

博客
Elastic 线下 Meetup 将于 2026 年 1 月 10 号下午在北京举行
11-24 1920
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 线下 Meetup 将于 2025 年 12 月 6 号下午在西安举行
10-20 2695
2025年ElasticMeetup成都站将于12月6日在西安阿里巴巴C1栋举办，聚焦AI搜索技术前沿。活动邀请Elastic社区布道师刘晓国、言古科技王传健、阿里云张粲宇等专家，分享向量搜索、多模态知识库构建、AI搜索趋势等议题。包含主题演讲、茶歇交流及抽奖环节，需提前报名并实名入场。报名链接：https://8181722436173.huodongxing.com/event/8831089715600。
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
使用 LangGraph.js 和 Elasticsearch 构建一个金融 AI 搜索工作流
12-06 649
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
12-05 884
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。
博客
EDB EPAS 通过 PostgreSQL 连接器同步数据到 Elasticsearch
12-04 1388
本文介绍了使用Elasticsearch PostgreSQL Connector实现EnterpriseDB EPAS与Elasticsearch数据同步的方法。该方案通过官方集成工具，将关系型数据库的OLTP能力与ES的全文检索和分析优势结合，支持近实时同步。详细演示了Docker环境下连接器的配置流程，包括证书处理、网络设置等关键步骤，并展示了同步后的数据查询和可视化操作。这种集成方式有效解决了数据孤岛问题，为企业构建实时数据平台提供了高效解决方案。
博客
Elastic Streams 介绍 - 9.2
12-04 661
摘要：Streams通过AI技术简化日志管理流程，实现日志的智能解析、自动分区、事件监测、保留策略和质量控制。它允许将所有日志发送至单一入口点，由系统自动完成结构化处理、分类存储和异常检测，显著降低运维复杂度。该方案帮助团队快速将原始日志转化为可操作洞察，提升故障排查效率，确保数据可靠性，同时优化存储成本。Streams使日志管理从被动记录转变为主动监控工具，为SRE和DevOps团队提供端到端的智能化日志处理解决方案。
博客
Elasticsearch 中的文档级基于属性的访问控制 - ABAC
12-04 1051
本文介绍了如何在Elasticsearch中实现基于属性的访问控制(ABAC)。通过利用Lucene7.1的CoveringQuery特性和Elasticsearch6.1的terms_set查询，结合X-Pack安全功能中的模板化角色查询机制，可以构建比传统基于角色访问控制(RBAC)更灵活的ABAC方案。文章详细演示了如何使用terms_set查询实现"列表AND"逻辑，并通过用户元数据注入属性值来限制文档访问。最后展示了一个包含安全级别、项目列表和认证日期检查的综合ABAC示例，说
博客
Elasticsearch 中使用 NVIDIA cuVS 实现最高快 12 倍的向量索引速度：GPU 加速第 2 章
12-04 972
Elasticsearch通过与NVIDIA合作集成GPU加速技术，显著提升了向量索引性能。新推出的Elasticsearch-GPU插件利用NVIDIA cuVS库实现高效向量搜索，在测试中展现出12倍的索引吞吐量提升和7倍的合并加速，同时降低CPU使用率。该技术计划在2026年初发布的Elasticsearch 9.3中作为技术预览版推出，为大规模向量工作负载提供更强大的处理能力。
博客
Elastic 与 Accenture 在 GenAI 数据准备方面的合作
12-03 629
Elastic与埃森哲合作推出面向生成式AI的数据准备引擎解决方案，旨在解决企业采用AI时面临的数据分散、缺乏上下文等挑战。该方案整合Elasticsearch的搜索能力、埃森哲的70多个预建连接器及AWS云服务，提供自动化数据集成、安全合规管理、语义搜索等功能，帮助构建统一的AI就绪知识库。通过AWS Marketplace快速部署，该方案支持医疗、金融等多行业实现从AI实验到生产落地的转型，加速生成式AI的商业价值实现。
博客
ES|QL 在 9.2：智能查找连接和时间序列支持
12-03 798
Elasticsearch 9.2对ES|QL查询语言进行了三项重要更新：1）增强LOOKUP JOIN功能，支持多字段连接和复杂表达式；2）新增TS命令用于时间序列分析；3）推出INLINESTATS命令保留原始数据同时进行聚合。这些改进显著提升了数据分析的灵活性、性能和易用性。此外，Kibana Discover新增了直观的lookup索引管理界面，并支持多种新函数。底层优化使查询效率大幅提升，部分场景性能可提高1000倍。
博客
Elasticsearch：专用向量数据库很快就会被遗忘，事实上它从未流行过
12-03 1550
摘要：随着深度学习和大模型的兴起，向量搜索技术从学术研究走向工业应用，但专用向量数据库的独立赛道正面临崩塌。各大传统数据库和云服务商纷纷集成向量搜索功能，技术同质化严重且缺乏壁垒。实际应用中，单纯的向量搜索难以满足需求，"混合搜索"（结合结构化、非结构化和向量数据）成为共识。专用向量数据库因技术局限和生态惯性难以突围，未来或将作为补充能力融入现有数据平台，而非独立存在。向量搜索终将成为数据库的标配功能，而非独立品类。
博客
Elasticsearch：在隔离环境中安装 ELSER 模型
12-02 763
​在我之前的文章 “Elasticsearch：部署 ELSER - Elastic Learned Sparse EncoderR”，我描述了如何安装 ELSER 模型。在今天的文章中，我来讲讲如何在隔离的环境中安装 ELSER 模型。如果你在有网路的情况下，最容易安装 ELSER 的方法是是使用 inference API。我们可以通过如下的方式来进行。为了测试的方便，我们可以使用如下的方法来删除已经安装好的 ELSER 模型：​
博客
Elastic 在首批获得 AWS Agentic AI 专项认证的合作伙伴中处于领先地位
12-02 1189
Elastic获得AWSAgenticAI专项认证，成为首批获此认证的ISV之一。该认证认可Elastic在开发先进agentic解决方案方面的能力，帮助客户提升业务效率和生产力。Elastic的创新平台通过上下文工程为AI代理提供可靠记忆和精准数据检索，解决大语言模型在跨会话记忆方面的局限。其AgentBuilder工具简化了构建具备上下文感知能力AI助手的过程，支持多模型提供商和定制化开发。这一认证验证了Elastic在生产就绪agenticAI解决方案方面的实力，现已在AWS Marketplace提
博客
用 Elasticsearch 构建一个 ChatGPT connector 来查询 GitHub issues
12-02 1063
本文介绍如何构建自定义ChatGPT连接器，通过部署使用混合搜索查询GitHub issues的Elasticsearch MCP服务器。文章详细说明了实现OpenAI要求的search和fetch工具的方法，包括使用ELSER语义搜索和BM25文本匹配的混合搜索技术。作者演示了在Google Colab上部署服务器并通过ngrok公开URL的步骤，使ChatGPT能连接内部数据源。最终实现了用自然语言查询GitHub issues和PRs的功能，展示了如何将ChatGPT与企业内部数据无缝集成。
博客
使用 LangChain 和 Elasticsearch 开发一个 agentic RAG 助手
11-29 985
​这篇博客深入探讨了 agentic RAG 工作流，解释了它们的关键特性和常见设计模式。它进一步展示了如何通过一个使用 Elasticsearch 作为向量存储、使用 LangChain 构建 agentic RAG 框架的实践示例来实现这些工作流。最后，文章简要讨论了设计和实现此类架构的最佳实践和相关挑战。你可以通过这个 Jupyter notebook 跟着一起创建一个简单的 agentic RAG 管道。
博客
混合搜索无需头疼：使用 retrievers 简化混合搜索
11-28 987
本文介绍了Elasticsearch中混合搜索的新特性——多字段查询格式，它简化了词法和语义搜索的整合过程。传统混合搜索需要深入了解索引结构和复杂的查询配置，而新的linear和RRF检索器通过自动分组查询字段、归一化分数范围，使混合搜索更易实现。文章详细展示了如何通过简洁的多字段查询语法替代冗长的传统查询，支持字段加权、通配符匹配和默认字段查询等功能。这些改进使开发者无需深入了解索引细节即可构建高效的混合搜索方案，适用于Elasticsearch 8.19+、9.1+和Serverless版本。
评论
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