Elasticsearch

Elastic 公司推出的搜索与分析引擎，支持向量检索与混合搜索，广泛用于日志分析与 RAG 检索场景。

它是干什么的

Elasticsearch 是一个搜索与分析引擎，由 Elastic 公司维护，官网在 elastic.co。你可以把它理解成一个专门处理“找东西”这件事的数据库——数据存进去，之后不管是关键词匹配、模糊查询、聚合统计，还是基于向量的相似度检索，都能快速返回结果。它底层基于 Apache Lucene，对外提供 REST 风格的 API，数据以 JSON 文档的形式存取。

日志分析是它最广为人知的场景。ELK 技术栈里的“E”就是它，配合 Logstash 或 Beats 采集数据、Kibana 做可视化，几百万条日志里定位某个错误码出现的规律，基本是分钟级的事。近几年它在 RAG（检索增强生成）场景里也常见：把文档切块、转成向量存进 Elasticsearch，用户提问时先检索相关片段，再交给大模型生成回答。它同时支持传统的 BM25 关键词检索和向量检索，两者可以混合打分，这就是所谓的混合搜索。

谁该用它

需要处理全文搜索的产品、要做日志监控和可观测性的运维团队、在搭 RAG 管道的 AI 应用开发者，是三类典型用户。反过来说，如果你的需求只是简单的键值查询，或者数据量很小、查询模式固定，用关系型数据库就够了，引入 Elasticsearch 反而增加运维负担。

几个值得了解的点

向量检索不是外挂功能。 从 8.x 版本开始，dense_vector 字段类型和 kNN 搜索是原生支持的，不用额外装插件。你可以把 embedding 直接存成字段，查询时指定相似度算法（余弦、点积等），它会走专门的向量索引结构。混合搜索则允许你把关键词得分和向量得分加权合并，对“既要精确匹配专有名词、又要语义召回”的场景很实用。

分布式是设计前提，不是后期补丁。 索引默认分片存储，副本自动分配，节点挂掉后集群会重新平衡。这意味着扩容相对平滑，但也意味着你得理解分片数量怎么定——分片太多会拖累集群状态同步，太少又影响并行能力。这是个需要提前想清楚的事。

查询语言有学习曲线。 Query DSL 用 JSON 描述查询条件，功能很全，但写复杂查询时嵌套层级会变深。官方提供了多种语言的客户端，也有 SQL 接口可以应付一些常规分析需求，不过深度使用还是绕不开 DSL。

上手建议

本地跑一个单节点实例用 Docker 一条命令就够，先把数据灌进去、用 Kibana 的 Dev Tools 试几条查询，感受一下 DSL 的写法。真正要上生产，分片规划、映射设计（mapping）、以及是否需要独立的主节点角色，这几件事值得花时间研究，它们直接决定集群稳不稳。

常见问题

Elasticsearch 是什么？

Elastic 公司推出的搜索与分析引擎，支持向量检索与混合搜索，广泛用于日志分析与 RAG 检索场景。

Elasticsearch 的官方网站是什么？

Elasticsearch 的官方网站是 https://www.elastic.co，可直接在浏览器中打开使用。