INFINI Easysearch 2.4.0 正式发布。本版本将向量搜索纳入内核：基于 Lucene 的原生 HNSW，关键词与语义向量可混合检索。控制台新增可视化 Mapping 编辑器，集群设置可同时查看临时、持久、默认三层配置。生命周期策略、可搜索快照、密钥库与插件管理同步更新，高并发下的字段使用统计和磁盘用量分析也更稳定。

主要更新如下：

功能特性 (Features)

原生 HNSW 向量搜索与混合检索

• 内置基于 Lucene 的 HNSW 向量索引。新建索引可直接使用 dense_vector、query-level knn 和顶层 knn，无需安装 k-NN 插件。
• 支持 1～4096 维 float 向量，以及 cosine、dot_product、l2_norm、max_inner_product 四种相似度算法。
• 支持通过 m、ef_construction 和 num_candidates 调整索引构建与查询效果；省略 index_options 时默认使用 hnsw(m=16, ef_construction=100)。
• 支持一个顶层关键词 query 与一个顶层 knn 并列执行，通过结果并集与加权评分实现关键词、语义向量的混合召回。
• 兼容 Elasticsearch 8.19.17 的 float HNSW mapping、Bulk、kNN 查询和 wire 行为，以及 Elasticsearch Java 8.19.17、Python 8.19.3 官方客户端，现有应用可直接对接。

更多用法及兼容边界请参阅原生 HNSW 搜索文档。

可视化 Mapping 编辑器

新增索引页提供可视化 Mapping 编辑器。字段按层级排列成树，可直接编辑类型和参数，无需手写 Mapping JSON。

• 可以从索引模板或已有索引导入配置。创建索引时，也可以关联集群里已有的别名。
• 覆盖全部字段类型。支持多字段，也可为 object / nested 添加子字段，同类型字段可批量添加。
• 可视化编辑与 JSON 编辑可随时切换，内容保持同步。dynamic_templates、_source、_meta 等高级内容在切换后仍会保留。

操作步骤见新增索引。

集群设置页

在「设置」中打开集群设置页，查看和修改 _cluster/settings 中的动态配置。页面按节点、索引、分片、断路器、生命周期分组，支持按名称或 key 搜索，也可按临时、持久、默认来源过滤。

• 每个设置有三层值：临时、持久、默认。优先级是临时 > 持久 > 默认。徽标标出当前生效的那一层。
• 布尔和枚举使用下拉框，数字使用数字输入，时间、大小等带单位的值直接填写，例如 60s、40mb。临时层与持久层可一次保存。支持清除单层，也可一键清空全部临时设置。
• 日志级别、分片分配属性、断路器等名称不固定的设置，可先添加实例，再填写取值。

操作步骤见集群设置。

数据管理与分析体验

• 数据探索改用 PIT（Point in Time）分页导出，导出数量不再受 max_result_window 限制。
• 生命周期策略编辑器可配置的 action 更多，未填写的字段保持原有语义。
• 快照恢复支持直接恢复为可搜索快照，索引列表增加可搜索快照标识。
• 节点页面新增密钥库管理，插件列表支持从文件夹或 ZIP 包手动上传插件。这两项需先在右上角连接 Agent 后使用。
• 创建 API Token 或角色时，索引权限支持下拉选择和搜索。
• rate 聚合新增 sum、value_count 计算模式，并支持在包含单一日期源的 composite 聚合中计算速率。
• DevTools 现支持 SQL 关键词高亮、补全和多行语句解析，查询结果默认返回 CSV。
• 生命周期（ILM）策略管理: 对生命周期策略编辑 UI 进行了全面增强，新建与编辑策略现已支持完整的 action 配置，覆盖 Hot、Warm、Cold、Delete 四个阶段

改进优化 (Improvements)

• 重构 _disk_usage 同步分析链路，引入有界请求调度和独立线程池，降低并发磁盘用量分析对普通分析请求的影响。
• 重构 _field_usage_stats 的 shard 级字段访问采集链路，按每次查询会话对相同字段和访问类型去重，完善 stored fields、term vectors、can-match、refresh/reopen 及主副分片场景的统计覆盖。
• 优化字段使用统计在高并发查询和大字段 registry 场景下的会话提交与快照生成，减少处理开销和临时对象分配。

问题修复 (Bug Fixes)

• 统一重构 Model Provider、Rules 与 Audit Log 的受保护内部索引权限过滤机制，修复直连、通配符、混合索引及数据流后备索引等场景下过滤语义不一致的问题；无权限用户直接访问受保护资源时会被拒绝，在混合或通配符请求中则隐藏相关资源，同时保留远程索引表达式和 Audit Log 的角色授权语义。
• 修复 Remote Reindex 对远端 Elasticsearch REST 协议版本判断不准确的问题，恢复 Elasticsearch 6.8.x、7.x 和 8.x 场景下 scroll 与 clear-scroll 请求的正确格式。
• 修复删除关联多个索引的别名失败的问题。
• 修复授权弹窗打开后「授权提示」页签可能自动消失的问题。
• 修复未授权状态显示为不规范英文的问题，现按界面语言显示「未授权 / Unlicensed」。
• 修复创建用户、角色、管道、模板、远程集群、快照仓库、自动跟随模式、规则库时重名可能覆盖已有配置的问题，现在会提示名称已存在。
• 修复编辑管道时可修改名称导致旧管道残留的问题，编辑时名称改为不可修改。
• 修复删除管道确认弹窗文案误写为「模板」的问题。
• 修复列表页左侧聚合过滤侧边栏输入关键字后无法筛选的问题。
• 修复分片列表点击刷新不重新加载数据的问题。
• 修复热点线程页面选择不支持的 gpu/mem 类型后列表为空且无提示的问题，下拉现仅提供受支持的类型。
• 修复创建角色无法选择粗粒度 action group，以及集群权限与索引权限被强制必填的问题。
• 修复数据探索导出超过 10000 条文档失败的问题。
• 移除生命周期策略编辑器中错误的节点标签缺失实时提醒。
• 修复节点详情插件页显示集群级安装状态的问题：插件只装在部分节点时，未安装的节点也会显示「已安装」；现在按当前节点过滤。
• 修复删除生命周期策略时确认弹窗不显示策略名的问题。
• 修复删除快照确认弹窗误用「策略」且不显示快照名的问题。
• 修复创建生命周期策略时前端重名校验不生效的问题。

升级提示

• 原生 HNSW 的已索引 dense_vector 字段只能添加到由 2.4.0 或更高版本创建的索引，且所有数据节点均需升级到 2.4.0 或更高版本；旧索引需新建目标索引后通过 Reindex 迁移。
• 旧 k-NN 插件的 knn_dense_float_vector、knn_sparse_bool_vector 和 knn_nearest_neighbors 接口继续保留，但新旧字段与查询语法不能混用。
• Easysearch 2.4.0 使用未量化的 float HNSW，当前不支持 int8_hnsw 等量化向量类型。通过 Elasticsearch 8.19 官方客户端访问时，需在所有节点设置 elasticsearch.api_compatibility: true 和 elasticsearch.api_compatibility_version: "8.19.17"，并重启节点。

---

以上为本版本重点更新摘要，完整变更与技术细节请查看 Easysearch 产品 Release Notes 或联系我们的技术支持团队

获取新版本

INFINI Easysearch v2.4.0 已正式发布，欢迎升级体验：

• 下载地址：https://infinilabs.cn/download/
• 快速开始：https://docs.infinilabs.com/easysearch/main/docs/quick-start/

关于 Easysearch

INFINI Easysearch 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。

Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。

Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。

官网：https://easysearch.cn

1. INFINI Easysearch 向量搜索实战（二） https://infinilabs.cn/blog/202 ... ch-2/ 2. How Elasticsearch detects multiple change points in time series with 0.99 recall（需挂梯子） https://www.elastic.co/search- ... -esql 3. 4 NVIDIA AI tasks, 1 Elasticsearch API: Embeddings, chat, completion, and rerank（需挂梯子） https://www.elastic.co/search- ... rence 4. INFINI Easysearch 向量搜索实战（一） https://infinilabs.cn/blog/202 ... ch-1/ 5. 信创环境下部署 INFINI Console：一站式搭建搜索基础设施统一管控平台 https://infinilabs.cn/blog/202 ... form/ 编辑：Muse 更多资讯：http://news.searchkit.cn

1. 在OpenSearch中使用docvalue_fields检索向量速度提升5倍（需要梯子） https://opensearch.org/blog/re ... arch/ 2. 美团搜索3.0：LLM 语义表征在排序模型的探索与应用 https://tech.meituan.com/2026/ ... .html 3. Agent评测漫谈 —— 由浅入深讲解Agent评测 https://tech.meituan.com/2026/ ... .html 4. 单一视图观测所有遥测数据：OpenSearch 可观测性技术栈（需要梯子） https://opensearch.org/blog/si ... tack/ 5. Elasticsearch 6/7/8 到 Easysearch 2.x 迁移指南 https://infinilabs.cn/blog/202 ... uide/ 编辑：Muse 更多资讯：http://news.searchkit.cn

上回 我们通过 Ingest Pipeline 把数据在写入 Easysearch 的过程中自动转换成了向量，这次我们通过 Search Pipeline 实现查询时将查询内容转换成向量并进行查询。

Embedding 服务

这里要保持与写入时使用的模型一致。

实战

我们实战演示分为以下几个步骤：

1. 建立 Search Pipeline
2. 设置索引默认 Pipeline
3. 数据查询

建立 Search Pipeline

PUT /_search/pipeline/default_model_pipeline
{
  "rewrite_processors": [
    {
      "semantic_query_enricher" : {
        "description": "Sets the default embedding model",
        "url": "https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings",
        "vendor": "openai",
        "api_key": "<api_key>",
        "default_model_id": "text-embedding-v4",
        "vector_field_model_id": {
           "text_vector": "text-embedding-v4"
        }
      }
    }
  ]
}

设置索引默认 Pipeline

为了方便查询，不用每次查询都指定 Pipeline，我们设置默认值。

PUT /my-index/_settings
{
  "index.search.default_pipeline" : "default_model_pipeline"
}

数据查询

使用上次写入的数据进行查询测试，但不直接查询原来的文本内容。

GET /my-index/_search
{
  "_source": "input_text",
  "query": {
    "semantic": {
      "text_vector": {
        "query_text": "非常先进高级的生产车间",
        "candidates": 100,
        "query_strategy": "LSH_COSINE"
      }
    }
  }
}

参数解释请查看文档。

OK，从上面可以看到，我们没有直接搜索原文本中的内容或关键字，但还是通过文本的语义检索到了相关内容。

---

关于 Easysearch

INFINI Easysearch 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。

Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。

Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。

官网：https://easysearch.cn

---

相关文章：

• INFINI Easysearch 向量搜索实战（一）
• Easysearch 向量搜索指南

Easysearch 提供了强大的向量搜索能力，打破传统关键词匹配的局限，实现真正的“懂你”的语义搜索。助力企业快速构建智能推荐、图像识别和内容理解等 AI 应用，释放数据深层价值。

核心能力

能力	说明
两种向量类型	稠密浮点向量（knn_dense_float_vector）和稀疏布尔向量（knn_sparse_bool_vector）
多种索引模型	lsh（局部敏感哈希，近似搜索）、permutation_lsh（置换 LSH）、sparse_indexed（倒排索引）、exact（精确搜索）
多种相似度	cosine（余弦）、l1（曼哈顿距离）、l2（欧氏距离）、jaccard、hamming
与全文搜索融合	向量字段与文本字段存储在同一索引，支持 Hybrid 混合检索
function_score 集成	向量相似度可作为 function_score 的评分函数

典型应用场景

• 语义搜索：文本通过 Embedding 模型转为向量，按语义相似度检索
• RAG 检索增强生成：为大语言模型提供知识库检索能力
• 推荐系统：用户/商品特征向量的相似推荐
• 图像/多模态搜索：图像特征向量的相似检索
• 去重与异常检测：通过向量距离判断内容相似度

Embedding 服务

在使用向量搜索前，先要准备一个 Embedding 模型，支持与 OpenAI API 兼容的 embedding 接口和 Ollama embedding 接口。本文使用阿里云上的 Embedding 模型进行演示。

写入方法

方法一：写入链路嵌入（推荐）

在数据写入 Easysearch 时，通过 Ingest Pipeline 自动调用 Embedding 服务：

应用写数据 → Easysearch → Ingest Pipeline → 调用 Embedding API → 写入向量字段

优势是写入后即可搜索，无需维护外部向量化流程。需要确保集群应至少有一个节点拥有 ingest 角色。

方法二：离线批处理

在应用侧完成向量化，再将向量字段直接写入 Easysearch：

原始数据 → 应用 → 调用模型 Embedding API → 写入 Easysearch（含向量字段）

参考文档。

实战

我们实战演示模式一，分为以下几个步骤：

1. 建立带有向量字段的索引
2. 创建对应的 Ingest Pipeline
3. 写入数据到索引

1. 建立带有向量字段的索引

先建立一个带向量字段的索引，注意 dims 要与向量模型的输出匹配。

PUT /my-index
{
  "mappings": {
    "properties": {
      "text_vector": {
        "type": "knn_dense_float_vector",
        "knn": {
          "dims": 1024,
          "model": "lsh",
          "similarity": "cosine",
          "L": 99,
          "k": 1
        }
      }
    }
  }
}

2. 创建对应的 Ingest Pipeline

写入数据前先建立 Ingest Pipeline，注意 vendor 必须根据使用的模型来指定，比如本文使用的是阿里云 text-embedding-v4 模型，该模型提供了 OpenAI 格式的 API 接口，这里 vendor 我们就写 openai。

PUT _ingest/pipeline/text-embedding-pipeline
{
  "description": "用于生成文本嵌入向量的管道",
  "processors": [
    {
      "text_embedding": {
        "url": "https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings",
        "vendor": "openai",
        "api_key": "xxxxxx",
        "text_field": "input_text",
        "vector_field": "text_vector",
        "model_id": "text-embedding-v4",
        "dims": 1024,
        "ignore_missing": false,
        "ignore_failure": false
      }
    }
  ]
}

text_field：指定原始文本字段，Pipeline 会将该字段的内容转换成向量。

vector_field：指定向量存储的字段，保存上面转换的向量。

3. 写入数据

POST /_bulk?pipeline=text-embedding-pipeline&pretty
{"index": {"_index": "my-index", "_id": "1"}}
{"input_text": "苹果发布了新款iPhone 15 Pro手机，搭载A17芯片"}
{"index": {"_index": "my-index", "_id": "2"}}
{"input_text": "特斯拉宣布将在上海建第二座超级工厂"}
{"index": {"_index": "my-index", "_id": "3"}}
{"input_text": "今天天气真好，阳光明媚适合去公园散步"}
{"index": {"_index": "my-index", "_id": "4"}}
{"input_text": "程序员用Python写了一个自动化数据清洗脚本"}
{"index": {"_index": "my-index", "_id": "5"}}
{"input_text": "故宫博物院推出了夏季特展，展出珍贵文物"}
{"index": {"_index": "my-index", "_id": "6"}}
{"input_text": "小明每天坚持跑步五公里，身体越来越健康"}
{"index": {"_index": "my-index", "_id": "7"}}
{"input_text": "人工智能大模型在自然语言处理领域取得突破"}
{"index": {"_index": "my-index", "_id": "8"}}
{"input_text": "这家咖啡店的拿铁口感丝滑，推荐给咖啡爱好者"}
{"index": {"_index": "my-index", "_id": "9"}}
{"input_text": "量子计算机有望在药物研发中发挥重要作用"}
{"index": {"_index": "my-index", "_id": "10"}}
{"input_text": "周末和朋友一起去爬山，山顶的风景美极了"}

4. 检查数据

搜索索引数据，看看是否成功转换成了向量。可以看到原始数据保存在 input_text 字段中，其向量保存到了 text_vector。

OK，下一步我们看看怎么方便地实现向量搜索。

---

关于 Easysearch

INFINI Easysearch 是一款分布式搜索引擎，支持结构化和非结构化的数据检索、全文检索、向量检索、空间地理位置信息检索、组合查询、多语种支持、语义分析和聚合分析等多种功能。

Easysearch 基于 Lucene 构建，紧跟 Lucene 最新版本持续迭代更新，采用商用友好协议，企业可自由部署、二次开发和商业化，无协议合规风险。

Easysearch 致力于为企业提供轻量、安全、自主可控的搜索平台，不断完善产品能力，满足更多企业级需求。

官网：https://easysearch.cn

---

相关文章：

• Easysearch 向量搜索指南
• INFINI Easysearch 向量搜索实战（二）

Easysearch 提供了强大的向量搜索能力，打破传统关键词匹配的局限，实现真正的“懂你”的语义搜索。助力企业快速构建智能推荐、图像识别和内容理解等 AI 应用，释放数据深层价值。

核心能力

能力	说明
两种向量类型	稠密浮点向量（knn_dense_float_vector）和稀疏布尔向量（knn_sparse_bool_vector）
多种索引模型	lsh（局部敏感哈希，近似搜索）、permutation_lsh（置换 LSH）、sparse_indexed（倒排索引）、exact（精确搜索）
多种相似度	cosine（余弦）、l1（曼哈顿距离）、l2（欧氏距离）、jaccard、hamming
与全文搜索融合	向量字段与文本字段存储在同一索引，支持 Hybrid 混合检索
function_score 集成	向量相似度可作为 function_score 的评分函数

典型应用场景

• 语义搜索：文本通过 Embedding 模型转为向量，按语义相似度检索
• RAG 检索增强生成：为大语言模型提供知识库检索能力
• 推荐系统：用户/商品特征向量的相似推荐
• 图像/多模态搜索：图像特征向量的相似检索
• 去重与异常检测：通过向量距离判断内容相似度

Embedding 服务

在使用向量搜索前，先要准备一个 Embedding 模型，支持与 OpenAI API 兼容的 embedding 接口和 Ollama embedding 接口。本文使用阿里云上的 Embedding 模型进行演示。

写入方法

方法一：写入链路嵌入（推荐）

在数据写入 Easysearch 时，通过 Ingest Pipeline 自动调用 Embedding 服务：

应用写数据 → Easysearch → Ingest Pipeline → 调用 Embedding API → 写入向量字段

优势是写入后即可搜索，无需维护外部向量化流程。需要确保集群应至少有一个节点拥有 ingest 角色。

方法二：离线批处理

在应用侧完成向量化，再将向量字段直接写入 Easysearch：

原始数据 → 应用 → 调用模型 Embedding API → 写入 Easysearch（含向量字段）

参考文档。

实战

我们实战演示模式一，分为以下几个步骤：

1. 建立带有向量字段的索引
2. 创建对应的 Ingest Pipeline
3. 写入数据到索引

1. 建立带有向量字段的索引

先建立一个带向量字段的索引，注意 dims 要与向量模型的输出匹配。

PUT /my-index
{
  "mappings": {
    "properties": {
      "text_vector": {
        "type": "knn_dense_float_vector",
        "knn": {
          "dims": 1024,
          "model": "lsh",
          "similarity": "cosine",
          "L": 99,
          "k": 1
        }
      }
    }
  }
}

2. 创建对应的 Ingest Pipeline

写入数据前先建立 Ingest Pipeline，注意 vendor 必须根据使用的模型来指定，比如本文使用的是阿里云 text-embedding-v4 模型，该模型提供了 OpenAI 格式的 API 接口，这里 vendor 我们就写 openai。

PUT _ingest/pipeline/text-embedding-pipeline
{
  "description": "用于生成文本嵌入向量的管道",
  "processors": [
    {
      "text_embedding": {
        "url": "https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings",
        "vendor": "openai",
        "api_key": "xxxxxx",
        "text_field": "input_text",
        "vector_field": "text_vector",
        "model_id": "text-embedding-v4",
        "dims": 1024,
        "ignore_missing": false,
        "ignore_failure": false
      }
    }
  ]
}

text_field：指定原始文本字段，Pipeline 会将该字段的内容转换成向量。

vector_field：指定向量存储的字段，保存上面转换的向量。

3. 写入数据

POST /_bulk?pipeline=text-embedding-pipeline&pretty
{"index": {"_index": "my-index", "_id": "1"}}
{"input_text": "苹果发布了新款iPhone 15 Pro手机，搭载A17芯片"}
{"index": {"_index": "my-index", "_id": "2"}}
{"input_text": "特斯拉宣布将在上海建第二座超级工厂"}
{"index": {"_index": "my-index", "_id": "3"}}
{"input_text": "今天天气真好，阳光明媚适合去公园散步"}
{"index": {"_index": "my-index", "_id": "4"}}
{"input_text": "程序员用Python写了一个自动化数据清洗脚本"}
{"index": {"_index": "my-index", "_id": "5"}}
{"input_text": "故宫博物院推出了夏季特展，展出珍贵文物"}
{"index": {"_index": "my-index", "_id": "6"}}
{"input_text": "小明每天坚持跑步五公里，身体越来越健康"}
{"index": {"_index": "my-index", "_id": "7"}}
{"input_text": "人工智能大模型在自然语言处理领域取得突破"}
{"index": {"_index": "my-index", "_id": "8"}}
{"input_text": "这家咖啡店的拿铁口感丝滑，推荐给咖啡爱好者"}
{"index": {"_index": "my-index", "_id": "9"}}
{"input_text": "量子计算机有望在药物研发中发挥重要作用"}
{"index": {"_index": "my-index", "_id": "10"}}
{"input_text": "周末和朋友一起去爬山，山顶的风景美极了"}

4. 检查数据

搜索索引数据，看看是否成功转换成了向量。可以看到原始数据保存在 input_text 字段中，其向量保存到了 text_vector。

OK，下一步我们看看怎么方便地实现向量搜索。

---

关于 Easysearch

INFINI Easysearch 是一个分布式的搜索型数据库，实现非结构化数据检索、全文检索、向量检索、地理位置信息查询、组合索引查询、多语种支持、聚合分析等。Easysearch 可以完美替代 Elasticsearch，同时添加和完善多项企业级功能。Easysearch 助您拥有简洁、高效、易用的搜索体验。

官网文档：https://docs.infinilabs.com/easysearch

---

相关文章：

• Easysearch 向量搜索指南

1、达梦数据成为国内专注于数据库领域的、国产数据库行业首家上市公司 https://www.modb.pro/db/1801061969906176000 2、微软技术社区：做RAG？向量搜索还不够 https://mp.weixin.qq.com/s/O_62Ds8ySHikT78kXpDSIA 3、阿里云 OpenSearch RAG 应用实践 https://mp.weixin.qq.com/s/wuA8wOIz-0PgnmoN-uHoSw 4、极限网关助力好未来 Elasticsearch 容器化升级 https://infinilabs.cn/blog/202 ... rade/ 编辑：Fred   更多资讯：http://news.searchkit.cn