Elastic 中国社区官方博客

本文介绍了如何利用LMStudio和Elasticsearch部署Qwen3大模型，实现本地化AI应用。主要内容包括：1. LMStudio简介及其本地部署开源模型的优势；2. Elasticsearch和Kibana的安装配置；3. Qwen3大模型的下载、部署及本地API接口测试；4. 创建OpenAI兼容连接器，将Qwen3与Elasticsearch集成；5. 使用"爱丽丝梦游仙境"文本构建RAG应用，在Playground中实现中英文问答功能。该方案提供了完整的本地化AI解决方

ES|QL的LOOKUPJOIN技术预览版发布，为可观测性分析带来革新。该功能允许在查询时动态关联日志、指标和追踪数据，无需在数据摄取阶段进行反规范化处理，有效降低存储成本并提升分析效率。通过创建特殊查找索引，用户可以灵活关联部署信息、基础设施映射等上下文数据，实现快速根因定位。典型应用场景包括：通过部署上下文分析错误日志、利用JOIN优化存储空间等。该功能与传统的ingest时数据丰富方法形成互补，特别适合动态数据环境。目前已在Elasticsearch 8.18和Serverless中提供技术预览，支持

摘要：Elastic AI Assistant结合生成式AI工具，能快速构建自助服务应用实现客户案例分流。通过Kibana界面管理知识库，上传常见问题解答并生成语义搜索索引，在Playground中测试系统提示配置后，可部署至Streamlit应用。该方案让用户自助解决问题，降低客服工单量，同时支持随时更新知识库内容。系统还提供个性化定制选项，为构建可维护的智能客服代理提供了高效解决方案。

本文详细介绍了如何安装并配置MCPServer来连接Elasticsearch数据库，实现通过自然语言对话查询数据。主要内容包括：1）安装Elasticsearch和Kibana；2）获取Elasticsearch API密钥；3）下载并配置MCP服务器；4）使用Claude Desktop应用连接MCP服务器；5）通过实例演示了索引查询、数据统计等操作。该方法实现了智能代理与Elasticsearch数据的交互，展示了从创建索引到复杂查询的完整流程。

恶意浏览器扩展已成为企业安全重大威胁，但多数组织缺乏有效检测手段。Elastic信息安全团队通过整合osquery和Elastic Stack构建了解决方案：1) 利用osquery每6小时扫描所有工作站的浏览器扩展，建立实时清单；2) 通过Elastic SIEM功能创建检测规则，当发现已知恶意扩展时自动告警。该方案克服了多用户配置文件的管理难题，能识别包括旁加载扩展在内的风险项，支持基于威胁情报的动态检测。典型应用场景包括匹配Cyberhaven事件中的46个恶意扩展IOC，有效提升企业对浏览器扩展威胁

Elasticsearch推出全新的linear retriever混合搜索组件，解决了传统RRF方法仅关注排名而忽略实际分数的问题。该组件通过计算各查询结果的加权和，并支持MinMax归一化处理，使不同检索器的分数具有可比性。与RRF相比，linear retriever能更精确地反映文档重要性差异，提供更灵活可控的混合搜索体验。该功能已在Elasticsearch Serverless、8.18和9.0版本中提供，用户可通过调整权重参数优化搜索结果。

本文介绍了如何使用Quepid工具协作创建搜索相关性评估列表。首先解释了判断列表(judgement lists)的概念及其在搜索引擎优化中的重要性，然后详细演示了在Quepid中建立评估案例的步骤：1) 连接Elasticsearch数据源；2) 定义评估字段；3) 添加代表性查询集；4) 为每个查询设定信息需求。文章重点说明了如何组织评估团队、设置评分标准，并通过具体案例展示了人工评分员如何基于文档元数据进行相关性打分。最后指出判断列表是持续改进搜索质量的基础，建议结合指标分析和迭代实验来优化搜索体验。

摘要：判断列表（Judgment List）是评估和优化搜索质量的核心工具，通过人工或AI对查询-结果相关性进行评分（二元或分级），为搜索算法改进提供基准。它支持离线测试，结合点击率等隐式反馈和LLM生成的判断，能全面衡量相关性、用户偏好和满意度。Elasticsearch等工具帮助构建高效搜索方案，而Quepid等平台简化了判断列表创建流程。有效使用判断列表可提升搜索准确性、用户满意度，并推动业务增长。（149字）

Elasticsearch团队重构了ES|QL查询语言的自动补全系统，以应对日益复杂的命令结构和用户需求。新系统采用命令专属逻辑代替通用处理，提升了代码隔离性和灵活性。此次重构解决了旧系统在代码复杂性和正交性方面的问题，为支持新功能（如基于聚合的过滤）奠定了基础，最终改善了开发者体验和用户建议质量。团队认为这次投入为ES|QL语言和编辑器的未来发展奠定了坚实基础。

Synthetic_source是Elasticsearch中的一种索引配置模式，用于优化存储空间。它通过不存储原始文档，而是利用doc_values等数据结构在检索时重建_source内容，从而减少磁盘占用。这种模式会修改原始文档结构，如将数组移动到叶子字段，并使用映射中的字段名。虽然能节省50%以上存储空间，但会略微降低查询速度。Synthetic_source支持大多数字段类型，但对某些特殊字段有限制，且不支持快照仓库。该功能适用于磁盘空间有限但能接受轻微性能损失的场景。

本文介绍了如何使用SpringAI和Elasticsearch构建完整的AI应用程序。SpringAI 1.0作为面向Java的AI工程解决方案正式发布，支持多种AI模型和技术。文章重点展示了如何通过Elasticsearch的向量数据库功能实现检索增强生成(RAG)，详细说明了从PDF文件摄取数据到向量存储、查询处理的全流程。示例代码演示了控制器、服务层的实现，并介绍了SpringAI的Advisors简化RAG模式。最后，文章建议通过SpringBoot Actuator监控token消耗，利用虚拟线程

Elastic与RedHat合作，通过集成Elasticsearch的生成式AI和向量搜索能力与RedHat OpenShift AI，推出了一个经过验证的模式，旨在提升金融分析师的工作流程。这一模式支持检索增强生成（RAG）解决方案，可以在本地或IBM Cloud上的加速硬件上运行。Elasticsearch作为核心向量数据库，结合词汇和语义技术，确保传递给大语言模型的文档具有高度相关性和上下文，从而提高生成式AI应用的响应质量、准确性和效率。RedHat OpenShift AI提供企业级的容器编排和D

Elasticsearch向量数据库现已支持基于LLM和RAG的AI生成验证模式，开发者可利用Elastic的向量数据库在RedHat OpenShift上快速启动RAG应用开发。本文详细介绍了如何设置和使用Elasticsearch作为向量数据库，包括安装配置、部署步骤和验证方法。通过结合RedHat容器平台和Elastic的向量搜索能力，开发者可以构建高效的生产级应用程序。未来，Elastic计划进一步优化语义理解、数据处理和混合搜索功能，以提升RAG应用的性能和精准度。欢迎开发者参与反馈和贡献，共同推

Elasticsearch与Microsoft Semantic Kernel合作，在.NET Elasticsearch Semantic Kernel连接器中引入了混合搜索功能，这是首个实现该功能的向量数据库。混合搜索结合了词法搜索和语义搜索，通过并行运行这两种策略，提升搜索结果的相关性和质量。Elasticsearch从8.8.0版本起支持混合搜索，并默认使用RRF（Reciprocal Rank Fusion）算法来合并搜索结果。最新版本的Elasticsearch Semantic Kernel连

本文是Elasticsearch in JavaScript系列的第二部分，重点介绍了在生产环境中运行Elasticsearch Node.js客户端的最佳实践，特别是在无服务器环境中的应用。文章首先回顾了生产环境中的关键实践，包括错误处理和测试。通过Elasticsearch的Node.js客户端，开发者可以有效地捕捉和处理各种错误，如ResponseError和TimeoutError，确保应用的稳定性。此外，文章还介绍了如何使用elasticsearch-js-mock库进行测试，确保代码的可靠性。接

本文是系列文章的第一篇，介绍了如何在JavaScript环境中使用Elasticsearch构建生产级后端应用。文章详细讲解了环境设置、客户端连接、文档索引以及数据搜索的基础知识。通过使用Elasticsearch的Node.js客户端，开发者可以简化HTTP REST调用的处理，并利用批量助手等功能高效索引文档。文章还展示了如何通过Express服务器创建搜索端点，支持词法、语义和混合查询。最后，文章提供了示例代码，帮助读者快速上手，并预告了后续内容将涵盖生产环境最佳实践和无服务器架构的应用。

文章由Elastic的Kofi Bartlett撰写，主要讨论了如何有效管理和优化Elasticsearch中的磁盘空间使用。文章首先强调了磁盘管理的重要性，指出磁盘空间不足会导致数据写入停止，而过度分配则会造成资源浪费。接着，文章介绍了Elasticsearch中的水位线阈值，包括低磁盘水位线、高磁盘水位线阈值和磁盘洪水阶段，这些阈值帮助监控磁盘使用情况。文章还提供了处理磁盘过满的几种方法，如删除旧数据、增加存储容量、使用快照与还原技术、减少分片副本数以及设置磁盘使用告警。此外，文章还探讨了如何减少未被充

多年来，使用嵌入来提升信息检索的相关性和准确性已经显著增长。像 Elasticsearch 这样的工具已经发展出支持这种类型数据的专用字段类型，比如密集向量、稀疏向量和语义文本。然而，为了获得良好的效果，关键在于理解如何正确地将嵌入映射到 Elasticsearch 可用的字段类型：semantic_text、dense_vector 和 sparse_vector。本文将讨论这些字段类型、各自的适用时机，以及它们在索引和查询过程中与嵌入生成和使用策略之间的关系。

本文由Elastic的Kofi Bartlett撰写，详细解释了如何配置Elasticsearch中的number_of_replicas参数，其影响及最佳实践。number_of_replicas控制每个主分片的副本数量，默认值为1。增加副本数可以提高数据冗余和搜索性能，但会降低写入性能并增加存储需求。最佳实践建议：单节点集群应设置为0，多节点集群至少为1，且需根据集群节点数量和数据需求进行权衡。文章还提供了配置和更新该参数的具体方法，并强调了在性能和存储之间找到平衡的重要性。

在 Elasticsearch 中，索引是指以一种便于搜索的方式存储和组织数据的过程。虽然在某些情况下将文档中的所有字段建立索引是有用的，但有时你可能希望排除某些字段不被索引。这可以帮助提升性能、降低存储成本，并减少 Elasticsearch 索引的总体大小。本文将讨论排除字段索引的原因、如何配置 Elasticsearch 排除特定字段，以及在这样做时应遵循的一些最佳实践。

本文由Elastic的Kofi Bartlett撰写，主要探讨了在Elasticsearch中删除文档字段的三种方法。首先，使用Update API可以直接从特定文档中移除字段，适用于个别文档的字段删除需求。其次，通过Reindex API创建一个新索引，并在复制过程中移除指定字段，适用于需要从所有文档中删除字段的场景。最后，更新映射并重新索引的方法适用于需要同时从映射和所有文档中删除字段的情况。文章还提供了每种方法的详细步骤和示例代码，帮助读者根据具体需求选择合适的方法，并强调了在生产环境中应用前进行测试

了解如何使用 NV-Ingest、Unstructured Platform 和 Elasticsearch 为 RAG 应用构建可扩展的非结构化文档数据管道。Elasticsearch 原生集成了行业领先的生成式 AI 工具和提供商。查看我们的网络研讨会，了解如何，或使用 Elastic构建可投入生产的应用。为了为你的用例构建最佳搜索解决方案，现在就开始，或在上试用 Elastic。

解释如何使用和来连接 Elasticsearch 中的两个索引。Elasticsearch 拥有丰富的新功能，帮助你为自己的使用场景构建最佳搜索解决方案。深入阅读我们的，了解更多信息，开始，或立即在上尝试 Elastic。在 Elasticsearch 中，连接两个索引不像传统 SQL 数据库那样直接。然而，可以通过 Elasticsearch 提供的一些技术和功能实现类似的效果。本文将深入介绍在 Elasticsearch 中连接两个索引的过程，重点讲解如何使用和。

深入了解 Logan Pashby 在 Cypris 的故事，讲述他如何为全球最大的创新数据库构建混合搜索。Elasticsearch 拥有丰富的新功能，帮助你为自己的使用场景构建最佳搜索解决方案。深入阅读我们的，了解更多信息，开始，或立即在上尝试 Elastic。“当我第一次在搜索中输入 ‘drone’，却看到没有设置同义词就出现了 ‘unmanned aerial vehicles’ 的结果时，我心想，‘哇，这东西真的懂我。’ 就在那一刻，我明白了——这真的像是魔法一样。

Elasticsearch 是一个强大的搜索引擎，它通过为索引中的每个文档计算一个评分来提供快速且相关的搜索结果。通过理解评分机制并使用 Explain API，你可以深入了解影响搜索结果的因素，从而优化搜索查询，以获得更好的相关性和性能。这个详细解释有助于理解影响评分的因素，并可用于微调搜索的相关性。Explain API 的响应将包括评分过程的详细拆解，包括各个因素（TF、IDF 和字段长度归一化）及其对最终评分的贡献。出现在很多文档中的词被认为不太重要，而出现在较少文档中的词则更重要。

一个索引包含映射、设置和别名：映射定义字段的架构，设置设置索引参数，如分片数和副本数，别名为索引提供备用名称。模板允许我们创建具有预定义配置的索引。将索引命名为与特定模板中定义的索引模式匹配的名称时，该索引会根据模板自动配置。Elasticsearch 在 7.8 版本中引入了可组合索引模板。可组合索引模板允许模板的模块化和版本管理。可组合模板由一个或多个组件模板组成。索引模板也可以定义自己的配置。组件模板是一个具有预定义配置的可重用模板，就像一个可组合索引模板。

了解 RAG、grounding，以及如何通过将 LLM 连接到你的文档来减少幻觉。想获得 Elastic 认证吗？查看下一期的时间！Elasticsearch 拥有大量新功能，帮助你为你的使用场景构建最佳搜索方案。深入学习我们的，了解更多信息，开始，或者现在就在你的上尝试 Elastic 吧。大型语言模型（LLM）能够生成连贯的回答，但当你需要真实且更新的信息时，它们可能会产生幻觉（编造数据）并给出不可靠的答案。

探索通过两个字段进行搜索的技术，包括 multi-match 查询、bool 查询和查询时字段加权。想要获得 Elastic 认证？查看下一期的时间！Elasticsearch 拥有众多新功能，帮助你为你的用例构建最佳搜索解决方案。深入学习我们的，了解更多信息，开始，或立即在上尝试 Elastic。在 Elasticsearch 中跨多个字段进行搜索是许多应用中的常见需求。

了解如何利用语义搜索和 ELSER 构建一个强大且视觉上吸引人的问答体验，而无需使用 LLMs。想要获得 Elastic 认证？查看下一期的时间！Elasticsearch 拥有众多新功能，帮助你为你的用例构建最佳搜索解决方案。深入学习我们的，了解更多信息，开始，或立即在上尝试 Elastic。你可能听说过（Retrieval Augmented Generation - 检索增强生成），这是一种将你自己的文档与 LLM 结合，以生成类人回答的常用策略。

​ES|QL LOOKUP JOIN 处理命令将你的 ES|QL 查询结果表中的数据与指定的查找索引中的匹配记录合并。它根据联接字段中的匹配值，将查找索引中的字段作为新列添加到结果表中。团队常常将数据分散在多个索引中，例如日志、IP、用户 ID、主机、员工等。如果没有直接的方式来丰富或关联每个事件与参考数据，那么根本原因分析、安全检查和操作洞察将变得耗时。

探索 Elasticsearch 的内存需求以及不同类型的内存统计信息。Elasticsearch 拥有丰富的新功能，帮助你为你的使用场景构建最佳搜索解决方案。浏览我们的了解更多信息，开始，或者现在就在上体验 Elastic。

Elastic 最新发布的 8.18 和 9.0 版本包含了强大的更新，将显著提升你的体验、增强查询性能并优化日志管理。无论你是在处理搜索、可观察性还是安全用例，本次发布都带来了大量新特性，旨在提高工作流效率并解锁新的可能性。在这篇博客中，我们将按主要主题分解 Elasticsearch 和 Kibana 的关键更新：ES|QL 改进Elasticsearch logsdb 索引模式优化搜索和索引增强Kibana 用户体验升级Lucene 性能提升。

我们很高兴向 Elastic Cloud 和自托管用户发布 Elasticsearch 9.0 和 8.18 版本。这些版本中的功能已经向我们的 Elastic Cloud Serverless 用户，他们可以使用在 AWS、和上提供的完全托管的 Elasticsearch。

在这篇博客中，我们将向你展示如何配置和自定义 LangGraph Retrieval Agent 模板与 Elasticsearch，以构建一个强大的 RAG 工作流，实现高效的数据检索和由 AI 驱动的响应。本博客重点介绍如何使用 LangGraph Studio 和 LangGraph CLI 运行并自定义 LangChain Retrieval Agent Template。该模板为构建检索增强生成（RAG）应用提供了框架，并支持多种检索后端，如 Elasticsearch。

学习如何使用 AutoGen 为你的 agent 创建一个 Elasticsearch 工具。Elasticsearch 拥有与行业领先的生成式 AI 工具和提供商的原生集成。查看我们的网络研讨会，了解，或使用构建可投入生产的应用。为了为你的使用场景构建最佳搜索解决方案，现在就开始，或者在上试用 Elastic。AutoGen 是微软的一个框架，用于构建可以与人类互动或自主行动的应用程序。它提供了一个完整的生态系统，具备不同层级的抽象，取决于你需要自定义的程度。

探讨为什么你会在你的用例中实现 Better Binary Quantization （ BBQ ）以及如何实现它。通过这个，你可以亲自尝试向量搜索。你现在可以开始，或者在上试用 Elastic。向量搜索为实现文本语义搜索或图像、视频、音频的相似度搜索提供了基础。使用向量搜索时，向量是数据的数学表示，通常体积庞大且处理缓慢。

探索 Elasticsearch 堆内存使用情况和 JVM 垃圾回收，包括最佳实践以及在堆内存使用过高或 JVM 性能不佳时的解决方法。堆内存大小是分配给 Elasticsearch 节点中 Java 虚拟机的 RAM 数量。从 7.11 版本开始，Elasticsearch 默认会根据节点的角色和总内存自动设置 JVM 堆内存大小。对于大多数生产环境，推荐使用默认配置。然而，如果你希望手动设置 JVM 堆内存大小，一般规则是将 -Xms 和 -Xmx 设置为相同的值，。

了解生成式 AI 如何帮助银行从僵化的系统转向对话式、直观的客户体验，同时提升速度、洞察力和欺诈检测能力。“我上周在 Wendy's 吃了两次吗？”这是我们在翻阅银行对账单时可能会问自己的问题。如今，多亏了生成式 AI（GenAI），银行能够更有效地理解并回答这种人类提问，理解问题背后的意图，并快速给出答案。在最近的上，Elastic 的解决方案架构高级总监 Steve Mayzak 与主持人 Emma Crossby 一起。

在本文中，你将学习如何利用 LlamaIndex Workflows 与 Elasticsearch 快速构建一个使用 LLM 的自过滤搜索应用程序。LlamaIndex Workflows 提出了一种不同的方式来处理将任务拆分给不同 agent 的问题，它引入了一个。这种架构相比于基于 DAG（Directed Acyclic Graph - 有向无环图）的方法，例如 LangGraph，简化了设计。如果你想进一步了解关于的内容，推荐你阅读这篇文章。

将多值字段转换为字符串通配符模式匹配使用全文本功能，将更新 _score 元数据字段条件加权加权最近内容组合评分基于自定义评分进行过滤。