作者：来自 Elastic Jeff Vestal, Jack Conradson
在 8.14 中，Elastic 在 Elasticsearch 中引入了一项名为 “retrievers - 检索器” 的新搜索功能。继续阅读以了解它们的简单性和效率，以及它们如何增强你的搜索操作。
检索器是 Elasticsearch 中搜索 API 中添加的新抽象层。它们提供了在单个 _search API 调用中配置多阶段检索管道的便利。此架构通过消除对复杂搜索查询的多个 Elasticsearch API 调用的需求，简化了应用程序中的搜索逻辑。它还减少了对客户端逻辑的需求，而客户端逻辑通常需要组合来自多个查询的结果。
检索器的初始类型
初始版本中包含三种类型的检索器。每种检索器都针对特定目的而设计，组合起来后，它们可实现复杂的搜索操作。
可用的类型包括：
- standard- 返回传统查询中的顶级文档。这些类型通过支持现有的查询 DSL 请求语法实现向后兼容，让你可以按照自己的节奏迁移到检索器框架。
- kNN - 返回 kNN 搜索中的顶级文档。
- RRF - 使用倒数融合算法将多个第一阶段检索器组合并排名为单个结果集，无需或只需极少的用户调整。RRF 检索器是一种复合检索器，其过滤元素会传播到其子检索器。
检索器有何不同？它们为何有用？
对于传统查询，查询是整体搜索 API 调用的一部分。检索器的不同之处在于，它们被设计为独立实体，可以单独使用或轻松组合使用。这种模块化方法在设计搜索策略时提供了更大的灵活性。
检索器被设计为 “retriever tree - 检索器树” 的一部分，这是一种层次结构，通过阐明搜索操作的顺序和逻辑来定义搜索操作。这种结构使复杂的搜索更易于管理，更易于开发人员理解，并允许在将来轻松添加新功能。
检索器支持可组合性，允许你构建管道并集成不同的检索策略。这允许轻松测试不同的检索组合。它们还提供对文档评分和筛选方式的更多控制。例如，你可以指定最低分数阈值，应用复杂的过滤器而不影响评分，并使用诸如 terminate_after 之类的参数进行性能优化。
与传统查询元素保持向后兼容性，自动将它们转换为适当的检索器。
检索器使用示例
让我们看一些使用检索器的示例。我们使用 IMDB 示例数据集。
你可以运行随附的 jupyter 笔记本，将 IMDB 数据导入无服务器搜索项目，并自行运行以下示例！
高层次设置是：
- overview - 电影的简短摘要
- names - 电影的名称
- overview_dense - 从 e5-small 模型生成的 dense_vector
- overview_sparse - 使用 Elastic 的 ELSER 模型的稀疏向量。
- 仅使用 fields 并设置 _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 - 将所有事物结合起来！
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
}检索器的当前限制
检索器带有某些限制，用户应注意。例如，使用复合检索器时只允许查询元素（element）。这强制更清晰地分离关注点，并防止过度嵌套或独立配置带来的复杂性。此外，子检索器不得使用限制将复合检索器作为检索器树一部分的元素。
即使使用复杂的检索策略，这些限制也能提高性能和可组合性。
检索器最初作为技术预览版发布，因此其 API 可能会发生变化
结论
检索器代表了 Elasticsearch 检索功能和用户友好性向前迈出的重要一步。它们可以以管道方式链接起来，每个检索器应用其逻辑并将结果传递给链中的下一个项目。通过允许更结构化、更灵活和更高效的搜索操作，检索器可以显著增强搜索体验。
以下资源提供了有关检索器的更多详细信息。
- 使用检索器在 Elasticsearch 中进行语义重新排名
- 检索器 API 文档
- 检索器 - 搜索你的数据文档
亲自尝试上述代码！你可以运行随附的 jupyter 笔记本，将 IMDB 数据导入 Elastic Serverless Search 项目！
准备好自己尝试一下了吗？开始免费试用。
想要获得 Elastic 认证吗？了解下一次 Elasticsearch 工程师培训何时开始！
原文：Elasticsearch retrievers - How to use search retrievers in Elasticsearch — Elastic Search Labs