es混合检索与langchain检索增强_langchain ensembleretriever

• 还有几个点涉及到es的底层数据结构，需要一定的调优能力，可以查看官方文档

kNN选项

• field，必填，向量字段名
• filter，可选，query dsl的filter，返回向量检索和filter过滤条件都满足的文档。
• k，必填，返回的邻近向量数，必须小于num-candidates。
• num-candidates，相当于每个分片上的k，es从每个分片上检索num_candidates个向量结果，再根据评分汇总返回k个最终结果。增大该值可以提高检索结果的准确度。
• query_vector，可选，要检索的向量，维度必须和创建mapping时一致。
• query_vector_builder，可选，指定模型的相关信息，将编码文本为向量的任务交给es。query_vector和query_vector_builder，必须填且只能填一个。
• similarity，可选，float类型，判定检索命中的一个阈值，与所选的距离度量方式有关，不是文档分数_score，通过该值对文档进行评分，并应用boost（如果有）。

如果是l2_norm，距离需要小于等于similarity

如果是cosine或者dot_product，相似度需要大于等于similarity。

• boost，计算评分时的系数，knn可以和query一起使用，两者的结果合并再计算评分，boost*评分再求和。

精确kNN

查询所有文档计算相似度以保证结果的准确度，可以先使用query过滤一部分文档，再进行精确kNN提高检索速度。

如果确定字段不需要进行近似kNN，可以