Meilisearch v1.14 发布啦 ✨ 在我们的博客上阅读更多

返回首页Meilisearch 的 Logo
返回文章
2023年8月29日

介绍 Meilisearch 的向量搜索和向量数据库,引领未来搜索方向

此版本引入了语义搜索和混合搜索功能,以进一步提升搜索体验。

Maya Shin
Maya ShinMeilisearch 营销主管mayya_shin
Introducing Meilisearch's vector search and vector database to navigate the future of search

在 Meilisearch,我们长期以来一直致力于通过优先考虑直观、用户友好和类人的搜索体验来简化和精简搜索流程。

在当今的搜索技术领域,关键词搜索 继续发挥着关键作用,通过特定关键词快速定位内容。凭借先进的算法和强大的索引,它确保用户能够跨越海量数据找到相关信息。

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,有时可能过于可预测和简单。这就是为什么我们推出 Meilisearch 的 向量搜索,,旨在挑战和增强大家熟悉的关键词搜索模式。

向量搜索赋能 AI,共创未来

向量搜索 在市场范围内的推出标志着搜索技术新时代的到来,具有无数的多功能应用。在电子商务中,它提供基于相似性的产品推荐和多模态搜索功能,例如图像、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打开了大门。添加用户数据(如地理位置和搜索历史记录)进一步扩展了其潜力。

新的搜索技术通过超越简单关键词匹配的语义理解来增强相关性,与传统关键词相辅相成。它能够理解意图,从 [保暖衣物] 查询返回 [手套] 等结果。这些应用依赖于向量嵌入——一种带有语义信息的数据表示形式,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。然后,AI 驱动的向量数据库在将搜索查询与答案匹配时利用此信息。

普及搜索

在数据丰富的世界中,有效的内容发现不是奢侈品,而是至关重要的。Meilisearch 的愿景平衡了雄心壮志和可访问性,旨在使尖端搜索技术具有包容性。关键的 Meilisearch 合作伙伴,例如 [Hugging Face](/blog/hugging-face-democratizes-ai/ 已经在积极测试 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,专注于简洁性和开源可定制性。”

通过向量搜索构建未来搜索

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

以下是一些通过引入向量搜索实现的潜在应用示例

  • 语义理解: 使您的搜索引擎能够像类人助手一样工作,以更自然的对话方式提供自然的、上下文相关的结果
  • 多格式功能: 涵盖图像、音频和视频,确保多功能性。
  • 个性化:匹配偏好以获得定制结果,更深入地了解用户行为和偏好,
  • 精准推荐: 通过推荐与用户真正兴趣相关的类似项目来增强发现体验。
  • 提高准确性: 通过深入理解每个搜索查询的含义来提高相关性和搜索准确性

搜索进化最终走向混合搜索

Meilisearch 的旅程最终走向混合搜索,它结合了传统全文搜索的效率、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的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。

开始使用

有关如何入门的更多指导,请浏览我们的 关于使用 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

想要获得开源的质量,又不想为管理服务器和服务而头疼?立即注册 Meilisearch Cloud 免费试用

The 10 best AI enterprise search tools and platforms [2025]

2025 年 10 大最佳 AI 企业搜索工具和平台

了解当今市场上十大最佳 AI 企业搜索工具。了解它们在功能、特性、用例、定价等方面的比较。

Ilia Markov
Ilia Markov2025年4月15日
Meilisearch March updates

Meilisearch 三月更新

您的 Meilisearch 每月回顾。2025 年 3 月版。

Laurent Cazanove
Laurent Cazanove2025年4月7日
Meilisearch AI launch week recap

Meilisearch AI 发布周回顾

Meilisearch AI 发布回顾:通过 AI 和个性化革新搜索

Maya Shin
Maya Shin2025年3月28日