作者：來自 Elastic?Jeff Vestal, Jack Conradson

在 8.14 中，Elastic 在 Elasticsearch 中引入了一項名為 “retrievers - 檢索器” 的新搜索功能。繼續閱讀以了解它們的簡單性和效率，以及它們如何增強你的搜索操作。

檢索器是 Elasticsearch 中搜索 API 中添加的新抽象層。它們提供了在單個 _search API 調用中配置多階段檢索管道的便利。此架構通過消除對復雜搜索查詢的多個 Elasticsearch API 調用的需求，簡化了應用程序中的搜索邏輯。它還減少了對客戶端邏輯的需求，而客戶端邏輯通常需要組合來自多個查詢的結果。

檢索器的初始類型

初始版本中包含三種類型的檢索器。每種檢索器都針對特定目的而設計，組合起來后，它們可實現復雜的搜索操作。

可用的類型包括：

• standard- 返回傳統查詢中的頂級文檔。這些類型通過支持現有的查詢 DSL 請求語法實現向后兼容，讓你可以按照自己的節奏遷移到檢索器框架。
• kNN - 返回 kNN 搜索中的頂級文檔。
• RRF - 使用倒數融合算法將多個第一階段檢索器組合并排名為單個結果集，無需或只需極少的用戶調整。RRF 檢索器是一種復合檢索器，其過濾元素會傳播到其子檢索器。

檢索器有何不同？它們為何有用？

對于傳統查詢，查詢是整體搜索 API 調用的一部分。檢索器的不同之處在于，它們被設計為獨立實體，可以單獨使用或輕松組合使用。這種模塊化方法在設計搜索策略時提供了更大的靈活性。

檢索器被設計為 “retriever tree - 檢索器樹” 的一部分，這是一種層次結構，通過闡明搜索操作的順序和邏輯來定義搜索操作。這種結構使復雜的搜索更易于管理，更易于開發人員理解，并允許在將來輕松添加新功能。

檢索器支持可組合性，允許你構建管道并集成不同的檢索策略。這允許輕松測試不同的檢索組合。它們還提供對文檔評分和篩選方式的更多控制。例如，你可以指定最低分數閾值，應用復雜的過濾器而不影響評分，并使用諸如 terminate_after 之類的參數進行性能優化。

與傳統查詢元素保持向后兼容性，自動將它們轉換為適當的檢索器。

檢索器使用示例

讓我們看一些使用檢索器的示例。我們使用 IMDB 示例數據集。

你可以運行隨附的 jupyter 筆記本，將 IMDB 數據導入無服務器搜索項目，并自行運行以下示例！

高層次設置是：

• overview - 電影的簡短摘要
• names - 電影的名稱
• overview_dense - 從 e5-small 模型生成的 dense_vector
• overview_sparse - 使用 Elastic 的 ELSER 模型的稀疏向量。
• 僅使用 fields 并設置 _source:false 返回 names 和 overview 的文本版本

Standard - 搜索所有文本！

GET /imdb_movies/_search?pretty
{"retriever": {"standard": {"query": {"term": {"overview": "clueless"}}}},"size": 3,"fields": ["names","overview"],"_source": false
}

kNN - 搜索所有密集向量！

GET /imdb_movies/_search?pretty
{"retriever": {"knn": {"field": "overview_dense","query_vector_builder": {"text_embedding": {"model_id": ".multilingual-e5-small_linux-x86_64","model_text": "clueless slackers"}},"k": 5,"num_candidates": 5}},"size": 3,"fields": ["names","overview"],"_source": false
}

text_expansion - 搜索所有稀疏向量！

GET /imdb_movies/_search?pretty
{"retriever": {"standard": {"query": {"text_expansion": {"overview_sparse": {"model_id": ".elser_model_2_linux-x86_64","model_text": "clueless slackers"}}}}},"size": 3,"fields": ["names","overview"],"_source": false
}

rrf -?將所有事物結合起來！

GET /imdb_movies/_search?pretty
{"retriever": {"rrf": {"retrievers": [{"standard": {"query": {"term": {"overview": "clueless slackers"}}}},{"knn": {"field": "overview_dense","query_vector_builder": {"text_embedding": {"model_id": ".multilingual-e5-small_linux-x86_64","model_text": "clueless slackers"}},"k": 5,"num_candidates": 5}},{"standard": {"query": {"text_expansion": {"overview_sparse": {"model_id": ".elser_model_2_linux-x86_64","model_text": "clueless slackers"}}}}}],"rank_window_size": 5,"rank_constant": 1}},"size": 3,"fields": ["names","overview"],"_source": false
}

檢索器的當前限制

檢索器帶有某些限制，用戶應注意。例如，使用復合檢索器時只允許查詢元素（element）。這強制更清晰地分離關注點，并防止過度嵌套或獨立配置帶來的復雜性。此外，子檢索器不得使用限制將復合檢索器作為檢索器樹一部分的元素。

即使使用復雜的檢索策略，這些限制也能提高性能和可組合性。

檢索器最初作為技術預覽版發布，因此其 API 可能會發生變化

結論

檢索器代表了 Elasticsearch 檢索功能和用戶友好性向前邁出的重要一步。它們可以以管道方式鏈接起來，每個檢索器應用其邏輯并將結果傳遞給鏈中的下一個項目。通過允許更結構化、更靈活和更高效的搜索操作，檢索器可以顯著增強搜索體驗。

以下資源提供了有關檢索器的更多詳細信息。

• 使用檢索器在 Elasticsearch 中進行語義重新排名
• 檢索器 API 文檔
• 檢索器 - 搜索你的數據文檔

親自嘗試上述代碼！你可以運行隨附的 jupyter 筆記本，將 IMDB 數據導入 Elastic Serverless Search 項目！

準備好自己嘗試一下了嗎？開始免費試用。
想要獲得 Elastic 認證嗎？了解下一次 Elasticsearch 工程師培訓何時開始！

原文：Elasticsearch retrievers - How to use search retrievers in Elasticsearch — Elastic Search Labs