关于 Elasticsearch
从全文检索到向量，一脉相承
Elasticsearch 是基于 Lucene 的分布式搜索与分析引擎，长期作为日志、站内搜索与可观测性的核心，拥有成熟的分词与全文检索能力。
它的 dense_vector 字段类型配合 kNN（HNSW）近邻检索，可把嵌入向量与文档同索引存储，并通过 ESQL 把向量查询与结构化/全文查询统一表达。
在 RAG 场景里，Elasticsearch 擅长混合检索（向量语义 + 关键词 BM25），既保证语义召回也保留精确匹配，并可通过 Elastic Cloud 全托管。
核心功能一览
六大核心能力，覆盖创作全流程
dense_vector 向量字段
在索引中直接存储嵌入向量，与文档字段共存。
kNN 近邻检索
基于 HNSW 的近似最近邻查询，支持 RAG 语义召回。
ESQL 向量查询
用统一查询语言表达向量、全文与结构化检索。
混合检索
向量语义与 BM25 关键词融合，提升召 回质量。
Elastic Cloud
全托管集群，弹性扩缩，免运维部署。
零基础快速上手
4 步完成你的第一件 AI 作品，无需任何设计经验
创建带向量的索引
在索引 mapping 中定义 dense_vector 字段并指定维度与 HNSW 参数。
写入文档与向量
把文本嵌入后连同业务字段写入同一文档。
执行 kNN 检索
用 knn 查询检索最近邻文档，接入 RAG 链路。
叠加混合检索
用 ESQL 把向量检索与关键词过滤组合，提升召回。
常见问题解答
遇到问题？这里可能有你想要的答案
Elasticsearch 做 RAG 检索有什么优势？
它把向量语义检索与成熟的全文（BM25）检索统一在 ESQL 中，擅长混合检索，既保证语义召回也保留精确匹配，适合已有 ES 技术栈的团队。
向量字段用什么索引算法？
dense_vector 默认使用 HNSW 近似最近邻（kNN）索引，可在索引 mapping 中配置量化等参数以平衡性能与内存。
与同类向量数据库对比
和同类工具横向对比，帮你选对工具。
| 对比维度 | Redis | MongoDB | Elasticsearch | Upstash |
|---|---|---|---|---|
| 数据模型 | 键值 + 向量（Query Engine） | 文档(BSON) + 向量 | 倒排索引 + 向量 | Serverless Redis + 向量 |
| 向量索引 | HNSW（向量集合） | HNSW（Atlas Vector Search） | HNSW（kNN/dense_vector） | DiskANN |
| 部署形态 | 自建 / Redis Cloud | Atlas 全托管 | 自建 / Elastic Cloud | Serverless（按用量） |
| AI 场景 | 语义缓存 / RAG 检索 | RAG + 自动嵌入 | 混合检索 / RAG | 边缘 / 无服务器 RAG |
同类推荐工具
发现更多优质 AI 创作工具，找到最适合你的那一款
Brave
Brave Leo 是内置于 Brave 浏览器的 AI 助手，可在任意标签页总结网页、翻译、生成内容，默认不记录对话、不用于模型训练、无需登录，主打隐私保护。
DuckDuckGo
DuckDuckGo 是以隐私为核心的搜索引擎，集成 DuckAssist 在搜索结果中直接生成带引用的 AI 答案，并提供 Duck.ai 私密的 AI 聊天服务（支持 OpenAI、Anthropic 等模型），默认不追踪用户。
Exa
Exa 是面向 LLM 智能体与 AI 应用的神经网络搜索引擎，基于嵌入语义检索而非关键词匹配，以 API 形式返回结构化、高相关性的网页内容，广泛用于 RAG 与自主研究代理。
Gemini
Gemini 是 Google DeepMind 开发的多模态 AI 模型家族，原生理解文本、图像、音频、视频与代码，深度整合 Google 搜索与 Workspace，并提供最高 200 万 Token 的超长上下文。