Meilisearch 1.11
Meilisearch 1.11 通过关键改进（包括二进制量化）推动 AI 驱动的搜索趋于稳定。此版本还根据用户反馈增强了联合搜索功能。
我们很高兴推出 Meilisearch v1.11。在本文中，我们将介绍最重要的更改。有关更新的完整列表，请访问 GitHub 上的更新日志。
Meilisearch 1.11 也可在 Meilisearch Cloud 上使用——立即升级！
实验性：向量数据库索引性能改进
Meilisearch v1.11 引入了一个新嵌入器选项：binaryQuantized。
二进制量化通过使用 1 位值编码每个维度来压缩向量，显著提升了性能，尤其是在拥有超过 100 万文档和超过 1024 维度的模型的数据集中。
较小的嵌入（小于 1024 维度）往往会产生更差的结果。维度越少，二进制向量保留的信息不足以获得良好的相关性。
启用此功能会永久性地将所有向量更新为仅包含 1 和 -1，这可能会极大地影响搜索相关性。此更改不可逆。
在启用此功能之前，我们建议在开发环境中较小或重复的索引中对其进行测试，以评估其对您的用例的影响。
实验性：AI 驱动的搜索改进
重大更改
此版本引入了多项破坏性更改，以实现功能稳定。
embedder 参数变为强制性
在以前的版本中，当未指定嵌入器时，默认嵌入器会自动用于搜索和类似请求。从 v1.11 开始，现在执行以下操作时，必须指定 embedder 参数：
// Semantic and hybrid search client.index('INDEX_NAME').search( query, { hybrid: { embedder: 'EMBEDDER_NAME' // mandatory as of v1.11 } } ) // Similarity search client.index('INDEX_NAME').searchSimilarDocuments({ id: 'TARGET_DOCUMENT_ID', embedder: 'EMBEDDER_NAME' // mandatory as of v1.11 })
此外，即使对于全向量搜索（当使用 vector 而不使用 q 时），您也必须包含带有 embedder 的 hybrid 对象。
client.index('INDEX_NAME').search({ vector: [0, 1, 2], hybrid: { embedder: 'EMBEDDER_NAME'// mandatory as of v1.11 } })
当不带 q 参数传递 vector 时，非零 semanticRatio 将被忽略
在 Meilisearch v1.11 之前，当使用 vector 和 hybrid 参数进行搜索但不带 q 时，会发生占位符关键词搜索，除非 hybrid.semanticRatio 设置为 1.0。在 v1.11 中，除非 hybrid.semanticRatio 设置为 0.0，否则始终执行语义搜索。
新增和改进
默认 OpenAI 模型更新
默认 OpenAI 模型已从 text-embedding-ada-002 更新为新的 text-embedding-3-small。这个新模型比旧的 ada 模型更具成本效益且更准确，以更低的成本提供更好的性能。
新嵌入器参数
Meilisearch 1.11 的新 documentTemplateMaxBytes 参数允许在文档模板文本超出指定字节限制时截断。它默认为 400 字节。
此更改向后兼容。现有嵌入器将保留 400 字节的默认值，升级过程中无需重新计算嵌入。新限制仅在文档被修改且模板重新渲染时适用。
改进的文档模板
documentTemplate 中的字段现在包含 field.is_searchable 属性。默认的 文档模板 将过滤掉空字段和不在可搜索属性列表中的字段。新的默认模板仅适用于从 v1.11 开始创建的嵌入器。
// v1.11 default document template {% for field in fields %} {% if field.is_searchable and not field.value == nil %} {{ field.name }}: {{ field.value }} {% endif %} {% endfor %} // v1.10 default document template {% for field in fields %} {{ field.name }}: {{ field.value }} {% endfor %}
联邦搜索改进：分面分布和统计数据
Meilisearch v1.11 为联邦搜索引入了两个新选项：facetsByIndex 和 mergeFacets。这些选项允许您请求联邦搜索结果的分面分布和统计数据。
按索引划分的分面信息
要检索每个单独索引的分面分布和统计数据，请使用 facetsByIndex 选项。
{ "federation": { "facetsByIndex": { "movies": ["title", "id"], "comics": ["title"] } }, "queries": [ { "q": "Batman", "indexUid": "movies" }, { "q": "Batman", "indexUid": "comics" } ] }
响应将包含每个索引的分面分布和统计数据
{ "facetsByIndex": { "movies": { // Facet distribution for queries on the `movies` index "distribution": { "title": { "Batman returns": 1 }, "id": { "42": 1 } }, // Facet stats for queries on the `movies` index "stats": { "id": { "min": 42, "max": 42 } } }, "comics": { // Facet distribution for queries on the `comics` index "distribution": { "title": { "Batman: the killing joke": 1 } }, // Facet stats for queries on the `comics` index (empty because only numeric values are considered) "stats": {} } } }
合并的分面信息
要获取所有索引的分面分布和统计数据在一个结果中，请同时使用 facetsByIndex 和 mergeFacets
POST /multi-search { "federation": { "facetsByIndex": { "movies": ["title", "id"], "comics": ["title"] }, "mergeFacets": { "maxValuesPerFacet": 10 } }, "queries": [ { "q": "Batman", "indexUid": "movies" }, { "q": "Batman", "indexUid": "comics" } ] }
响应将包含合并后的分面数据
{ "facetDistribution": { "title": { "Batman returns": 1, "Batman: the killing joke": 1 }, "id": { "42": 1 } }, "facetStats": { "id": { "min": 42, "max": 42 } } }
了解更多关于联邦搜索及其用例的信息。
实验性：新的 STARTS_WITH 过滤器操作符
新的 STARTS_WITH 过滤器操作符匹配任何以指定字符串模式开头的字段值
// returns all heroes whose name starts with 'super' "filter": "hero STARTS_WITH super"
这是一项实验性功能。要启用它，请使用实验性功能端点并将 containsFilter 选项设置为 true。请注意，这也会激活 CONTAINS 过滤器操作符。
通过此GitHub 讨论分享您的反馈
贡献者鸣谢
我们衷心感谢为本次发布做出贡献的各位贡献者：@iornstein 在 Meilisearch 方面提供的帮助，以及 @luflow、@tkhshtsh0917 在 charabia 方面的工作。
我们还要特别感谢我们的 SDK 维护者，他们努力使 Meilisearch 支持多种语言和框架。
v1.11 版本更新到此结束！这些发布说明仅重点介绍了最重要的更新。有关完整列表，请阅读 Github 上的更新日志。
使用 Meilisearch Cloud 轻松升级。
订阅我们的月度新闻通讯，随时了解 Meilisearch 的所有动态。要了解更多关于 Meilisearch 的未来并帮助塑造它，请查看我们的路线图并参与我们的产品讨论。
如需其他信息，请加入我们的 Discord 开发者社区：Discord。
Meilisearch 1.14
Meilisearch 1.14 引入了新的实验性功能，包括复合嵌入器和嵌入缓存以提高性能。它还增加了核心功能，例如细粒度可过滤属性和按 ID 批量检索文档。