将模型服务关联到向量索引

通过将已配置的模型服务关联到向量索引，可以为索引赋予AI处理能力。该配置通过索引级别的设置实现以下核心功能：

向量化处理：在数据写入时自动调用Embedding模型服务将文本转换为向量。
智能搜索：在查询时结合向量相似度和传统文本相关性进行混合检索。
结果优化：通过Rerank模型服务对搜索结果进行智能重排序。

前提条件

已创建并完成模型服务的配置，操作指导请参见配置模型服务。

登录Kibana

登录Kibana进入命令执行页面。Elasticsearch集群支持多种客户端访问，本文仅以CSS服务集成的Kibana为例介绍配置指导。

登录云搜索服务管理控制台。
在左侧导航栏，选择“集群管理 > Elasticsearch”。
在集群列表，选择目标集群，单击操作列的“Kibana”，登录Kibana。
在Kibana左侧导航栏选择“Dev Tools”，进入操作页面。

创建并配置向量索引

在Kibana中执行以下命令，创建并配置向量索引，通过索引级别的配置项，实现集群在写入和查询时自动关联到模型服务，实现索引级别的AI处理能力。

PUT {index_name}
{
  "mappings": {
    "properties": {
      "title": {
        "type": "text"
      },
      "desc": {
        "type": "text"
      },
      "content": {
        "type": "text"
      },
      "author": {
        "type": "keyword"
      }
    }
  },
  "settings": {
    "index.vector": true,    
    "index.inference.field": [
      "title:100",
      "content:30",
      "desc:30"
    ],
    "index.inference.semantic_search_enabled": true,
    "index.inference.embedding_model": "pangu_vector",
    "index.inference.reorder_enabled": true,
    "index.inference.reorder_model": "pangu_ranking",
    "index.inference.semantic_search_type": "vector",
    "index.inference.semantic_search_topk": 20
  }
}

表1 参数说明
参数	是否必选	参数类型	描述
index_name	是	String	索引名称。自定义，如pangu_index。
index.vector	是	Boolean	启用语义向量查询。此处必须配置为“true”，启用语义向量查询，否则无法执行语义查询。
index.inference.semantic_search_enabled	否	Boolean	启用语义向量搜索。取值范围： true：启用语义向量查询，数据导入和查询都会经过Embedding模型服务进行向量化。 false：不启用向量查询，查询使用Elasticsearch文本查询。默认值：false
index.inference.embedding_model	否	String	Embedding模型服务的名称，要和配置模型服务中的Embedding模型服务的名称保持一致。
index.inference.semantic_search_topk	否	Integer	向量查询的Top K。 Top K的取值越大，召回的向量越多，精度越高，但也会消耗更多的性能。取值范围：1~4096 默认值：100
index.inference.search_timeout	否	Integer	向量查询的超时时间，超时会请求失败。默认值：30 单位：秒
index.inference.reorder_enabled	否	Boolean	精排模型服务开关。取值范围： true：开启Rerank模型服务，查询结果使用精排模型进行重新排序。 false：关闭Rerank模型服务。默认值：false
index.inference.reorder_model	否	String	精排模型服务的名称。要和配置模型服务中的精排模型服务的名称保持一致。
index.inference.semantic_search_type	否	String	语义向量搜索的类型。取值范围： vector：向量搜索，只使用语义查询。该搜索类型完全依赖向量相似度检索、忽略文本匹配的场景。 merge：双路召回，同时执行文本匹配和向量搜索，合并结果后通过精排模型重新排序。该搜索类型可以提升召回率，避免单一检索方式的局限性。选择merge时，必须启用精排模型服务（即“index.inference.reorder_enabled”配置为“true”），否则返回向量查询结果。默认值：vector
index.inference.field	是	List	转换向量文本字段。配置需要转换为向量的文本字段和权重。在写入文档时，如果文档中出现了field配置，则会调用Embedding模型服务将文档转换为语义向量存储，否则直接写入。在multi_match查询时，先判断query中是否有field字段配置，如果出现则进行查询改写，否则直接查询。配置举例： "index.inference.field": [ "title:100", "desc:80", "content:30" ] 表示当文档中出现title、desc、content三个字段时，会被转换为语义向量。
index.inference.multi_fields_merge_type	否	String	多字段拼接类型。取值范围： text_merge：表示将文本拼接成一个字段后进行Embedding。 embedding_merge：表示对多个字段按照重要性，先Embedding再合并。默认值：text_merge
index.inference.vector_search_mode	否	String	向量查询模式。取值范围： auto：向量查询模式由向量数据库决定。 script：粗排先使用文本查询，对文本查询的结果进行向量查询排序。 bool：粗排使用文本查询和向量分别查询，再将查询结果合并。默认值：auto
index.inference.reorder_vector_topn	否	Integer	精排时获取的向量查询结果的数量。使用双路召回时，建议向量查询的结果数配置为文本查询的结果数的4倍。取值范围：0~1000 默认值：0
index.inference.reorder_text_topn	否	Integer	精排时获取的文本查询的结果数量。使用双路召回时，建议向量查询的结果数配置为文本查询的结果数的4倍。取值范围：0~1000 默认值：0