【Elasticsearch】使用阿里云 infererence API 及 semantic text 进行向量搜索

原作者：Elastic布道师刘晓国

在之前的文章 “Elasticsearch 开放推理 API 新增阿里云 AI 搜索支持”，它详细描述了如何使用 Elastic inference API 来针对阿里的密集向量模型，稀疏向量模型，重新排名及 completion 进行展示。在那篇文章里，它使用了很多的英文的例子。但是阿里的模型更适合中文字来进行展示。我们知道 Elastic 的开箱即用的稀疏向量模型 ELSER 只适合英文。目前它不支持中文。恰好阿里的稀疏向量模型填补了这个空白。稀疏向量可以开箱即用。对于很多不是很精通人工智能的开发者来说，这无疑是个福音，而且它使用的资源很小。

更多阅读，可参阅 Elasticsearch 的“阿里云 AI 搜索推理服务”【https://x.sm.cn/1eVr1QV】。

稀疏向量

根据文档，我们使用如下的命令来创建稀疏向量的推理 API 端点：


PUT _inference/sparse_embedding/alibabacloud_ai_search_sparse{    "service": "alibabacloud-ai-search",    "service_settings": {        "api_key": "",        "service_id": "ops-text-sparse-embedding-001",        "host": "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",        "workspace": "default"    }}

在上面，我们需要从阿里云获得 api_key 来进行。运行上面的命令：

我们接下来可以通过如下的方式来测试（如下信息由地址获得）：


POST _inference/alibabacloud_ai_search_sparse{  "input": "阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"}

上面的命令显示的结果为：

我们从上面的显示结果可以看出来，它和我们之前的 Elastic ELSER 输出是不同的。这里应该是 unicode。

上面的命令和下面的命令是一样的：


POST _inference/sparse_embedding/alibabacloud_ai_search_sparse{  "input": "阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"}

因为每个 endpoint 在 Elasticsearch 创建时，都会自动检测并识别出它是什么类型的模型，所以上面路径中的 sparse_embedding 是可以省去的。

密集向量

同样，我们使用如下的命令来创密集向量的推理 API 端点：


PUT _inference/text_embedding/alibabacloud_ai_search_embeddings{    "service": "alibabacloud-ai-search",    "service_settings": {        "api_key": "",        "service_id": "ops-text-embedding-001",        "host": "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",        "workspace": "default"    }}

运行上面的命令，我们可以看到：

我们可以使用如下的命令来生成密集向量：


POST _inference/alibabacloud_ai_search_embeddings{  "input": "阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"}

密集向量是一个浮点数的数组。我们在生成的时候，其实还是可以对它进行标量量化，这样可以节省内存消耗，并提高搜索的速度。

完成 - completion

我们甚至可以针对搜索的结果运用大模型来得到一个 completion 的结果，比如，我们使用如下的命令来生成一个 completion 的推理 API 端点：


PUT _inference/completion/alibabacloud_ai_search_completion{    "service": "alibabacloud-ai-search",    "service_settings": {        "host" : "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",        "api_key": "{{API_KEY}}",        "service_id": "ops-qwen-turbo",        "workspace" : "default"    }}

我们可以通过如下的例子来展示 completion：


POST _inference/completion/alibabacloud_ai_search_completion{  "input": "阿里巴巴（中国）有限公司是什么时候成立的?"}

这个结果是结合大模型而生成的。大模型提供了一个基于在大模型训练时得到的结果。

重新排名 - rerank

同样，我们可以按照如下的命令来生成一个 rerank 的推理 API 端点：


PUT _inference/rerank/alibabacloud_ai_search_rerank{    "service": "alibabacloud-ai-search",    "service_settings": {        "api_key": "",        "service_id": "ops-bge-reranker-larger",        "host": "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",        "workspace": "default"    }}

在上面的 input 里，我们列举了两个文档。我们可以通过 rerank 端点来针对这两个文档重新进行排序。假如我们想搜索的文字是 “阿里巴巴（中国）有限公司是哪一年成立的？”。那么 rerank 返回来的结果是：

从上面，我们可以看出来，第二个文档比第一个文档更为贴近，也就是它的相关度更高。

RAG 应用

在很多情况下，我们企业有很多的业务数据或者私有数据每时每刻都在生成，而大模型的知识仅限于在它生成的时候，所以很多的时候，大模型有很多的知识是不知道的。如果我们不对大模型的回答进行限制，那么它可能给出的答案就是错误的，从而产生幻觉。在实际的应用中，我们通常把业务或私有数据保存于像 Elasticsearch 这样的向量数据库中。在搜索时，我们首先搜索 Elasticsearch，并把搜索的结果发送给大模型做为 prompt 的一部分，这样就可以解决幻觉的问题。

首先，我们来创建一个稀疏向量索引：


PUT alibaba_sparse{"mappings": {"properties": {"inference_field": {"type": "semantic_text","inference_id": "alibabacloud_ai_search_sparse"      }    }  }}

然后，我们写入如下的两个文档

PUT alibaba_sparse/_bulk{"index": {"_id": "1"}}{"inference_field": "阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"}{"index": {"_id": "2"}}{"inference_field": "阿里云（Alibaba Cloud Computing Co. Ltd，又名：阿里云计算有限公司）创立于2009年，总部设在杭州，为阿里巴巴集团的数字技术与智能骨干业务，向全球客户提供全方位云服务，包括自有服务器、弹性计算、存储、网络安全、数据库和大数据等服务。"}

我们通过如下的命令来进行搜索：


GET alibaba_sparse/_search{  "query": {    "semantic": {      "field": "inference_field",      "query": "阿里云是什么时候成立的？"    }  }}

上面搜索结果为：

阿里云排第一位

"阿里云（Alibaba Cloud Computing Co. Ltd，又名：阿里云计算有限公司）创立于2009年，总部设在杭州，为阿里巴巴集团的数字技术与智能骨干业务，向全球客户提供全方位云服务，包括自有服务器、弹性计算、存储、网络安全、数据库和大数据等服务。"

阿里巴巴排第二位

"阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"

含有阿里云的文档排在第一的位置。这个就是我们所说的向量搜索。

在实际的很多例子中，我们有时想得到一个唯一的答案，甚至这个答案是推理出来的，而不原始的文档。这个时候我们就需要用到大模型，也就是使用 completion 这个推理端点。

我们首先来做如下的搜索：


GET alibaba_sparse/_search{  "query": {    "semantic": {      "field": "inference_field",      "query": "阿里巴巴公司的法人是谁？"    }  }}

这次只有一个文档被列出来了。我们在下面使用 completion 端点：


POST _inference/completion/alibabacloud_ai_search_completion{  "input": "    你是一个知识渊博的人.        CONTEXT:    阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳
    QUESTION:     阿里巴巴公司的法人是谁？    "}

在上面，我们把上面搜索的结果文档 “阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳” 作为 context 的一部分，并把搜索的问题也一并提交。我们使用 completion 端点 API 来查看结果：

上面显示的结果是 “阿里巴巴公司的法定代表人是蒋芳”。很显然这个和之前的直接使用 completion 而没有 context 的结果是完全不同的：


POST _inference/completion/alibabacloud_ai_search_completion{  "input": "阿里巴巴法定代表是谁?"}

可以这样理解，有了从 Elasticsearch 向量数据库（实时业务数据或私有数据）中搜索来的结果并提供给大模型，大模型可以根据这些上下文，得到更为贴近答案的搜索结果。这个在实际的使用中避免幻觉！

另外一个例子：


POST _inference/completion/alibabacloud_ai_search_completion{  "input": "    你是一个知识渊博的人.        CONTEXT:    阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳
    QUESTION:     阿里巴巴（中国）有限公司是什么时候成立的？    "}

有关如何构建提示（prompt）

按照构建提示（prompt）的方法，我们来创建一个密集向量的索引：


PUT alibaba_dense{  "mappings": {    "properties": {      "inference_field": {        "type": "semantic_text",        "inference_id": "alibabacloud_ai_search_embeddings"      }    }  }}

我们按照同样的方法来写入文档：

PUT alibaba_dense/_bulk{"index": {"_id": "1"}}{"inference_field": "阿里巴巴（中国）有限公司成立于2007年03月26日，法定代表人蒋芳"}{"index": {"_id": "2"}}{"inference_field": "阿里云 (又名：阿里云计算有限公司）创立于2009年，总部设在杭州，为阿里巴巴集团的数字技术与智能骨干业务，向全球客户提供全方位云服务"}

我们来对这个密集向量索引 alibaba_dense 来进行搜索：


GET alibaba_dense/_search{  "query": {    "semantic": {      "field": "inference_field",      "query": "Alibaba 的法人是谁？"    }  }}

很显然，在我们的搜索中，我们并没有使用 “阿里巴巴”，我们查询的是 Alibaba。在向量空间里 “阿里巴巴” 等同于 “Alibaba”。同样地，


GET alibaba_dense/_search


    
{  "query": {    "semantic": {      "field": "inference_field",      "query": "Aliyun是什么样的公司？"    }  }}

上面的搜索的结果是：

很显然，含有 “阿里云” 的文档排名为第一尽管我们搜索的是 “Alibaba”。

自动分块

我们知道 semantic_text 字段可以帮我们自动把一大段的文字进行分块，而不需要我们手动去分块。这个是 semantic_text 一个非常大的好处。我们来创建一个叫做 alibaba_dense_large_text 的索引：


PUT alibaba_dense_large_text{  "mappings": {    "properties": {      "inference_field": {        "type": "semantic_text",        "inference_id": "alibabacloud_ai_search_embeddings"      }    }  }}

我们也为这个索引创建一个大的文档：

PUT alibaba_dense_large_text/_doc/1{    "inference_field": "    阿里巴巴集团简介阿里巴巴集团（Alibaba Group）是一家总部位于中国浙江省杭州市的全球知名科技公司，成立于1999年，由马云及其团队创建。作为一家以科技驱动为核心的企业，阿里巴巴在电子商务、云计算、金融科技、数字媒体、物流等领域拥有广泛布局，成为全球互联网行业的重要参与者。创立背景与早期发展阿里巴巴的诞生始于1999年，当时中国的互联网刚刚兴起。马云和他的团队怀着通过互联网赋能中小企业的愿景，推出了全球批发交易市场阿里巴巴网站（Alibaba.com）。最初，这个平台主要为中小企业提供展示产品和寻找国际买家的机会，帮助中国的制造商走向全球市场。经过几年发展，阿里巴巴迅速崭露头角，成为全球领先的B2B电子商务平台。


    
2003年，阿里巴巴推出了面向个人消费者的C2C平台淘宝网（Taobao），迅速吸引了大量用户。凭借“免费开店”的模式，淘宝在短时间内与其他电商平台展开竞争并取得成功。为了增强用户体验，阿里巴巴在2004年推出了第三方支付平台支付宝（Alipay），解决了在线支付的信任问题，这一创新奠定了中国电子商务快速发展的基础。业务生态与战略布局阿里巴巴通过不断拓展业务，逐步构建了涵盖电商、金融、物流和云计算等领域的多元化生态系统。电子商务领域作为阿里巴巴的核心业务，电子商务包括淘宝、天猫（Tmall）和全球速卖通（AliExpress）等平台。其中，淘宝以满足个人消费者需求为主，天猫则面向品牌和企业，提供高品质的商品和服务。全球速卖通致力于连接海外买家与中国卖家，在国际市场上影响力日益增强。云计算与大数据阿里云（Alibaba Cloud）是阿里巴巴集团的核心技术部门，成立于2009年，提供云计算服务、人工智能解决方案和大数据技术支持。如今，阿里云已成为全球领先的云服务提供商，为企业数字化转型提供支撑。金融科技支付宝的母公司蚂蚁集团是阿里巴巴金融科技布局的重要组成部分。通过支付宝，阿里巴巴为用户提供线上支付、理财、贷款等服务，推动了中国无现金社会的发展。物流与供应链菜鸟网络（Cainiao Network）成立于2013年，致力于优化物流效率，构建覆盖全球的智能物流网络。菜鸟的技术和平台能力提升了电商物流服务的速度和可靠性。数字媒体与娱乐阿里巴巴还在数字媒体领域积极布局，包括优酷、阿里影业和虾米音乐等，推动内容生态的建设。此外，集团通过投资文化创意产业和拓展体育事业，进一步丰富了品牌内涵。国际化与创新近年来，阿里巴巴不断加快国际化步伐，旨在成为全球消费者与企业的桥梁。集团通过并购和合作，扩展了其在东南亚、欧洲和北美等市场的业务。例如，通过收购Lazada，阿里巴巴增强了其在东南亚地区的电商影响力。此外，阿里巴巴还积极探索新技术，包括人工智能、区块链和物联网。这些技术的应用不仅优化了集团的现有业务，还为未来的创新奠定了基础。企业文化与社会责任阿里巴巴的企业文化以“让天下没有难做的生意”为核心使命，鼓励员工创新和协作。马云强调企业的社会责任，并倡导将资源用于公益事业。例如，阿里巴巴基金会支持环境保护、教育发展和扶贫工作，为社会创造长期价值。面临的挑战与未来展望尽管阿里巴巴取得了显著成就，但也面临着国际竞争加剧、行业监管加强和技术创新压力等挑战。为了保持领先地位，阿里巴巴需要在全球范围内持续创新，同时积极适应不同市场的法规和文化。展望未来，阿里巴巴将继续推动科技与商业的融合，助力中小企业和消费者实现更多价值。同时，通过技术研发和全球化布局，阿里巴巴有望在全球数字经济的发展中扮演更加重要的角色。结语作为中国乃至全球最具影响力的互联网公司之一，阿里巴巴的成长历程展现了科技对商业模式的深刻变革。通过不断创新和拓展，阿里巴巴正在为全球经济注入新的活力，也为无数企业和消费者创造了前所未有的机会。未来，阿里巴巴仍将以技术和商业为驱动，为构建更加便捷和高效的数字化世界而努力。    "}

上面的文章的字数大概在1000个字左右。

我们可以通过如下的方法来查看写入的文档：

GET alibaba_dense_large_text/_search

从上面，我们可以看出来，semantic_text 字段自动将一个很长文字的文档分块，并分别对它们进行向量化。

希望本文能为您在使用阿里云和 Elasticsearch 进行向量搜索的探索中提供有价值的参考和启发。未来，随着技术的不断演进，我们期待看到更多基于语义理解的智能应用落地，推动搜索技术向更高的层次发展。

/ END /

更多推荐

↙点击阅读原文，了解 Elasticsearch 产品详情！