随着人工智能和自然语言处理技术的飞速发展，向量搜索（Vector Search）已经成为提升信息检索效果的利器。

Elasticsearch 作为强大的搜索和分析引擎，提供了semantic_text、dense_vector和sparse_vector三种字段类型来支持嵌入（Embedding）向量的存储和查询。

本文将以通俗易懂的方式，结合 Elasticsearch 最新9.X 版本，深入探讨这三种字段类型的特点、使用场景以及如何与嵌入向量生成相关联，帮助读者快速上手并选择适合自己业务场景的映射方式。

1. 什么是嵌入（Embedding）向量？

嵌入向量是将文本、图像等非结构化数据转化为数值向量的一种表示方式。这些向量能够捕捉数据的语义信息，使得计算机可以通过数学运算（例如余弦相似度）来比较数据之间的相似性。

Elasticsearch 通过支持嵌入向量的字段类型，允许开发者存储和查询这些向量，从而实现更智能的搜索体验。

在Elasticsearch中，嵌入向量可以分为两种主要类型：

1.1 密集向量（Dense Vector）

由语言模型（如OpenAI的text-embedding-ada-002或Hugging Face的all-MiniLM-L6-v2）生成，几乎所有维度都有非零值，通常用于捕捉文本的整体语义。

1.2 稀疏向量（Sparse Vector）

大部分值为零，只有少数关键维度有值，通常基于词项（Token）生成，适合需要词级精准匹配的场景。

Elasticsearch提供了三种字段类型来处理这些嵌入：dense_vector、sparse_vector和semantic_text。

接下来，我们将逐一解析它们的特性和适用场景。

2. 三种字段类型详解

2.1 dense_vector：灵活的密集向量存储

什么是dense_vector？

dense_vector字段类型用于存储密集向量，这些向量通常由深度学习模型生成，例如 OpenAI 的 text-embedding-ada-002（1536维）或 all-MiniLM-L6-v2（384维）。

密集向量能够捕捉文本的整体语义，即使文本之间没有相同的词，也可以比较它们的相似性。

什么时候使用dense_vector？

  • 需要外部生成嵌入

    如果你已经有一个外部嵌入生成管道（例如使用Hugging Face或Cohere模型），dense_vector是存储这些预生成向量的最佳选择。

  • 需要自定义相似性计算

    支持cosineSimilarity、dotProduct和l2norm等多种相似性计算方式，适合需要精细调整排名的场景。

  • 复杂搜索场景 

    例如 RAG（检索增强生成）、推荐系统或个性化搜索，dense_vector提供了高度的灵活性和控制力。

如何查询 dense_vector？

dense_vector字段通常通过kNN（k最近邻）查询来实现向量搜索。

以下是一个简单的kNN查询示例：

POST test/_search
{
  "knn": {
    "field": "my_dense_vector",
    "k": 10,
    "num_candidates": 50,
    "query_vector": [
      0.1,
      0.2,
      -0.3
    ]
  }
}

如果需要更复杂的评分逻辑，可以使用 script_score查询结合相似性函数。

例如：

DELETE products
PUT /products
{
"mappings": {
    "properties": {
      "description": {
        "type": "text",
        "analyzer": "standard"
      },
      "description_vector": {
        "type": "dense_vector",
        "dims": 4,
        "index": true,
        "similarity": "cosine"
      }
    }
  }
}

POST /products/_bulk
{ "index": { "_id": "1" } }
{ "description": "轻便夏季背包", "description_vector": [0.5, -0.3, 0.2, 0.1] }
{ "index": { "_id": "2" } }
{ "description": "耐用旅行背包", "description_vector": [-0.1, 0.4, -0.2, 0.3] }
{ "index": { "_id": "3" } }
{ "description": "紧凑型日常背包", "description_vector": [0.3, 0.1, -0.4, 0.2] }


POST /products/_search
{
"knn": {
    "field": "description_vector",
    "query_vector": [0.4, -0.2, 0.3, 0.1],
    "k": 3,
    "num_candidates": 10
  },
"_source": ["description"]
}
优点与局限

  • 优点：灵活性高，支持外部模型，适合高级用例。

  • 局限：需要手动生成和存储向量，配置和维护成本较高。

2.2 sparse_vector：词级精准的稀疏向量

什么是 sparse_vector？

sparse_vector 字段类型用于存储稀疏向量，这类向量大部分维度为零，只有少数关键词（Token）具有非零权重。

稀疏向量常见于基于词项的模型，如Elasticsearch的 ELSER或 SPLADE 模型。

什么时候使用 sparse_vector？

  • 需要词级精准匹配 

    稀疏向量以词为单位，适合需要精确匹配特定关键词的场景，同时保留一定的语义理解能力。

  • 混合搜索策略 

    可以与dense_vector结合使用，实现语义和词级搜索的平衡。

  • 存储效率高

    由于只存储非零值，稀疏向量在存储和查询时效率更高。

  • 透明性强

    可以清楚地看到哪些词对搜索结果的贡献最大，便于调试和优化。

如何查询 sparse_vector？

sparse_vector字段支持基于词/权重的查询方式。以下是一个手动指定词权重的查询示例：

PUT products_0703
{
"mappings": {
    "properties": {
      "description": {
        "type": "text",
        "analyzer": "standard"
      },
      "description_vector": {
        "type": "sparse_vector"
      }
    }
  }
}

POST products_0703/_bulk
{ "index": { "_id": "1" } }
{ "description": "轻便夏季背包", "description_vector": { "轻便": 0.5, "夏季": 0.3, "背包": 0.2 } }
{ "index": { "_id": "2" } }
{ "description": "耐用旅行背包", "description_vector": { "耐用": 0.4, "旅行": 0.3, "背包": 0.2 } }
{ "index": { "_id": "3" } }
{ "description": "紧凑型日常背包", "description_vector": { "紧凑": 0.4, "日常": 0.3, "背包": 0.2 } }

POST products_0703/_search
{
"query": {
    "sparse_vector": {
      "field": "description_vector",
      "query_vector": { "轻便": 0.5, "背包": 0.3 }
    }
  },
"_source": ["description"]
}

如果使用训练好的模型，可以通过推理端点自动生成稀疏向量：

{
  "query": {
    "sparse_vector": {
      "field": "field_sparse",
      "inference_id": "elser_inference",
      "query": "搜索文本"
    }
  }
}
优点与局限

  • 优点：存储效率高，词级匹配精准，适合混合搜索。

  • 局限：需要支持稀疏向量的模型，生成逻辑相对复杂。

2.3 semantic_text：简单易用的语义搜索

什么是 semantic_text？

semantic_text 是 Elasticsearch 最新引入的字段类型，专为简化语义搜索设计。它通过推理端点自动处理嵌入向量的生成和存储，开发者无需手动管理向量。这是个付费 License 功能。

什么时候使用semantic_text？

  • 快速上手： 

    如果你是语义搜索的新手，或者希望以最小的配置成本实现智能搜索，semantic_text是首选。

  • 自动嵌入向量生成 

    无需外部生成向量，Elasticsearch在索引和查询时自动完成嵌入向量生成。

  • 支持长文本分片：

     置文本分块（Text Chunking）功能，适合处理长文档。

  • 简化开发流程 

    预配置映射和推理端点，减少工程复杂性。

如何查询semantic_text？

semantic_text字段使用semantic查询，自动生成查询向量并与索引中的嵌入向量进行比较。

示例： 

{"query": {"semantic": {"field": "semantic_text_field","query": "搜索文本"}}}
优点与局限

  • 优点：简单易用，自动嵌入向量生成，适合快速开发。

  • 局限：不支持外部生成嵌入向量，灵活性较低，仅限于 Elasticsearch 支持的推理模型。

3. 如何选择合适的字段类型？

选择semantic_text、dense_vector还是sparse_vector，需要根据你的业务场景、数据处理能力和技术栈成熟度来决定。

字段类型

使用场景

优点

局限性
dense_vector

  • 外部生成嵌入向量（如 OpenAI、Hugging Face 模型）

  • 复杂搜索逻辑（如 RAG、推荐系统）

  • 需要自定义相似性计算（如 cosineSimilarity）

  • 灵活性高，支持多种模型

  • 可自定义排名逻辑

  • 适用于语义相似性搜索

  • 需要手动生成并存储向量

  • 配置和维护成本较高
sparse_vector

  • 词级精准匹配（如 ELSER、SPLADE 模型）

  • 混合搜索策略

  • 需要透明度和存储效率

  • 存储效率高，仅保存非零值

  • 词级匹配精准，易于调试

  • 适合混合语义和词级搜索

  • 依赖稀疏模型，生成复杂

  • 语义覆盖可能不足
semantic_text

  • 快速开发，简化语义搜索配置

  • 长文本处理（自动分块）

  • 无需手动管理向量

  • 简单易用，自动嵌入向量生成

  • 支持推理端点，减少工程复杂性

  • 内置文本分块功能

  • 付费功能

  • 依赖推理端点，不支持外部向量

  • 灵活性较低，仅限支持模型

4. 嵌入向量生成与字段类型的关联

嵌入向量生成是使用Elasticsearch向量搜索的核心环节，不同字段类型对嵌入向量生成方式有不同的要求：

  • dense_vector：

需要外部生成密集向量（例如通过 OpenAI 或 Hugging Face 模型），然后将向量存储到Elasticsearch中。

  • sparse_vector：

通常由基于词项的模型（如 ELSER 或 SPLADE）生成，Elasticsearch 支持通过推理端点自动生成。

  • semantic_text：

完全依赖 Elasticsearch 的推理端点，索引和查询时自动生成嵌入向量，无需外部干预。

在实际应用中，你可能需要结合多种字段类型。

例如，可以使用semantic_text快速构建原型，使用dense_vector和sparse_vector优化复杂搜索逻辑。

5. 实战案例：构建智能搜索系统

假设你正在为一个电商平台构建商品搜索功能，用户可能输入模糊的查询（如“夏季轻便背包”），你希望返回语义相关的结果。以下是一个可能的实现路径：

  • 1.快速原型

根据需求，使用semantic_text字段，配置一个推理端点（如all-MiniLM-L6-v2），快速实现语义搜索。——酌情选型！

  • 2.优化性能

引入dense_vector字段，使用外部模型生成更高质量的嵌入向量，并通过kNN查询优化排名。

  • 3.混合搜索

结合sparse_vector字段，使用ELSER模型增强词级匹配能力，提升搜索精准度。

6. 总结

Elasticsearch的semantic_text、dense_vector和sparse_vector字段类型为开发者提供了强大的工具来实现智能搜索。

semantic_text适合快速上手，dense_vector适合需要高灵活性的场景，sparse_vector则在词级精准匹配和混合搜索中表现出色。

选择合适的字段类型需要综合考虑你的业务需求、技术能力以及对嵌入向量生成过程的控制需求。

希望这篇文章能帮助你更好地理解和应用Elasticsearch的嵌入向量映射功能！

如果有更多问题，欢迎随时交流。

参考资料

图片

更短时间更快习得更多干货！

和全球超2000+ Elastic 爱好者一起精进！

elastic6.cn——ElasticStack进阶助手

图片

抢先一步学习进阶干货！

# elasticsearch # 大数据 # 搜索引擎 # 全文检索
Logo
火山引擎 ADG 社区

火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 火山引擎 ADG 社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 火山引擎 ADG 社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 火山引擎 ADG 社区