想要更好地控制您的搜索设置?了解我们的灵活的基础设施定价

回到主页Meilisearch 的标志
返回文章

推出 Meilisearch 的向量搜索和向量数据库,引领搜索的未来

此版本引入了语义搜索和混合搜索功能,进一步增强了搜索体验。

2023 年 8 月 29 日阅读 3 分钟
Maya Shin
Maya ShinMeilisearch 营销负责人mayya_shin
Introducing Meilisearch's vector search and vector database to navigate the future of search
分享文章

在 Meilisearch,我们一直致力于通过优先提供直观、用户友好和类人搜索体验来简化搜索过程。

在当今的搜索技术领域,关键词搜索继续发挥着举足轻重的作用,通过特定的关键词快速定位内容。它利用先进的算法和强大的索引,确保用户在海量数据中找到相关信息。

然而,传统的关键词方法在理解用户意图方面存在固有的局限性,有时过于可预测和简单。这就是我们引入 Meilisearch 的向量搜索的原因,它旨在挑战并增强熟悉的关键词搜索范式。

用于 AI 增强未来的向量搜索

向量搜索的市场化引入标志着搜索技术新时代的到来,它拥有无数多功能应用。在电子商务中,它根据相似性提供产品推荐,并提供多模态搜索功能,如图像、音频和视频搜索。向量搜索与对话式 AI 技术的融合为直观的问答应用程序打开了大门。添加用户数据,如地理位置和搜索历史,进一步拓展了其潜力。

新搜索技术通过语义理解增强了相关性,超越了简单的关键词匹配。它能够理解意图,从查询[保暖衣物]中返回[手套]等结果。这些应用依赖于向量嵌入——一种具有语义信息的数据表示,使 AI 能够获得理解并保持长期记忆。嵌入存储在向量数据库中,代表不同的数据维度,这对于理解模式和关系至关重要。AI 驱动的向量数据库随后在将搜索查询与答案匹配时利用此信息。

在一个数据丰富的世界中,有效的内容发现并非奢侈品,而是至关重要的。Meilisearch 的愿景平衡了雄心与可访问性,旨在使尖端搜索技术具有包容性。Meilisearch 的主要合作伙伴,如 [Hugging Face](/blog/hugging-face-democratizes-ai/) 已经积极测试 Meilisearch 的新向量数据库和存储功能。

Meilisearch 首席执行官兼联合创始人 Quentin de Quelen 表示:“Meilisearch 的混合搜索将普及先进的搜索技术,专注于简单性和开源可定制性。”

此版本带来了语义和混合搜索功能,以增强图像、视频和音频搜索、电子商务产品推荐、精准个性化和直观问答交互的应用。

以下是引入向量搜索后可能实现的一些潜在应用示例

  • 语义理解:使您的搜索引擎像人类助手一样,以更对话的方式提供自然、上下文感知的搜索结果
  • 多格式功能:涵盖图像、音频和视频,确保多功能性。
  • 个性化:匹配偏好以提供量身定制的结果,更深入地理解用户行为和偏好,
  • 精准推荐:通过推荐与用户真正兴趣相符的类似物品来增强发现体验。
  • 提高准确性:通过对每个搜索查询含义的深入理解来提高相关性和搜索准确性

Meilisearch 的旅程最终形成混合搜索,它结合了传统全文搜索的效率与语义搜索的创新以及向量数据库的适应性。混合方法使搜索解决方案能够满足由客户生成数据源驱动的广泛用例。通过集成来自 OpenAI、Cohere AI 或 Hugging Face 等 AI 解决方案提供商的模型,Meilisearch 使其用户能够校准向量嵌入并将他们的业务逻辑注入搜索引擎。

入门

有关如何开始的更多指导,请探索我们的使用 LangChain 构建语义搜索的分步教程

from langchain.vectorstores import Meilisearch
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.document_loaders import JSONLoader

# Load documents
loader = JSONLoader(
    file_path="./movies.json",
    jq_schema=".[] | {id: .id, title: .title, overview: .overview}",
    text_content=False,
)
documents = loader.load()

# Index documents
embeddings = OpenAIEmbeddings()
vector_store = Meilisearch.from_documents(documents=documents, embedding=embeddings)

# Search
query = "superhero fighting villains in a city corrupted by crime"
results = vector_store.similarity_search(
    query=query,
    k=3,
)

如果您想在不使用 LangChain 的情况下使用 Meilisearch 向量搜索功能,请选择您喜欢的语言并查看此处的相关 SDK 文档

想要开源的质量而没有管理服务器和服务的麻烦?立即注册 Meilisearch Cloud 免费试用

What is RAG (Retrieval-Augmented Generation) & how it works?

什么是 RAG(检索增强生成)及其工作原理?

RAG(检索增强生成)的完整指南。了解它的含义、工作原理、不同 RAG 类型、RAG 系统的组成部分等等。

Ilia Markov
Ilia Markov2025 年 8 月 14 日
Meilisearch July updates

Meilisearch 七月更新

Meilisearch 每月总结。2025 年 7 月版。

Laurent Cazanove
Laurent Cazanove2025 年 7 月 31 日
Mastering RAG: unleashing precision and recall with Meilisearch's hybrid search

掌握 RAG:使用 Meilisearch 的混合搜索释放精确度和召回率

了解如何使用 Meilisearch 的混合搜索功能,通过检索增强生成 (RAG) 提高 LLM 的准确性。减少幻觉并提高搜索相关性。

Luis Serrano
Luis Serrano2025 年 7 月 22 日
© . This site is unofficial and not affiliated with Meilisearch.