2025 年 2 月 18 日

Meilisearch 1.13

Meilisearch 1.13 稳定了 AI 驱动的搜索，引入了远程联邦搜索——为分片奠定了基础——并使版本升级更加容易。

Carolina Ferreira开发者布道师 @ Meilisearch@CarolainFG

我们很高兴推出 Meilisearch v1.13。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 1.13 也可在 Meilisearch Cloud 上使用——立即升级！

AI 驱动的搜索

我们很高兴地宣布，AI 驱动的搜索现在已完全稳定！

我们的向量存储在 v1.3 中首次发布，现已发展为来自常见提供商的自动嵌入、语义和混合搜索，始终基于我们社区的宝贵反馈。此功能现在已准备好退出实验阶段。

因此，您不再需要使用 /experimental-features 路由来激活它。

v1.13 引入了 AI 驱动的搜索功能的最后一次重大更改。

重大更改：接受的 Ollama URL

只有当 Ollama URL 以 /api/embed 和 /api/embeddings 结尾时才会被接受，传递不受支持的端点现在将触发 Meilisearch 上的错误

重大更改：错误代码修改

在 1.13 之前，如果嵌入器配置丢失或不是字符串，Meilisearch 将为搜索和相似性请求返回 invalid_embedder 错误。

它已拆分为

invalid_search_embedder：用于搜索请求
invalid_similar_embedder：用于相似性请求

当 hybrid 搜索参数无效时，现在返回错误 invalid_search_hybrid_query 而不是 invalid_hybrid_search。

实验性功能：远程联邦搜索

新的网络路由实现了跨多个 Meilisearch 实例的分布式搜索。与联邦搜索相结合，这简化了水平数据库分区策略（如分片）的实施。

通过 /experimental-features 路由激活此功能。如果您正在使用 Meilisearch Cloud，请联系支持人员以在您的项目中启用此功能。

使用 remotes 对象来定义应参与搜索的 Meilisearch 实例。

PATCH /network
{
  "remotes": {
    "ms-01": {
      "url": "http://ms-1.example.meilisearch.io",
      "searchApiKey": "SEARCH_KEY_1"
    },
    "ms-02": {
      "url": "http://ms-2.example.meilisearch.io",
      "searchApiKey": "SEARCH_KEY_2"
    }
  }
}

在所有 Meilisearch 实例集上设置相同的 remotes，然后使用 self 为每个实例配置其自己的标识符。self 的值必须与 remotes 中的相应键匹配

PATCH /network
{
  "self": "ms-01"
}

您现在可以执行远程联邦搜索

POST /multi-search
{
  "federation": { // enable federated mode
    "limit": 5
  },
  "queries": [
    { // #0
      "q": "Batman",
      "indexUid": "movies",
      "federationOptions": {
        "remote": "ms-01"
      }
    },
    { // #1
      "q": "Batman",
	    "indexUid": "movies",
	    "federationOptions": {
        "remote": "ms-02"
      }
    }
  ]
}

实验性功能：新的无转储升级

现在，您可以从 Meilisearch >=v1.12 升级到 Meilisearch >=v1.13，而无需使用转储。

只需安装最新版本的 Meilisearch 并使用实例选项重新启动它

--experimental-dumpless-upgrade 标志
或 MEILI_EXPERIMENTAL_DUMPLESS_UPGRADE 环境变量

⚠️ 由于这是一项实验性功能，请先使用快照备份所有重要数据。

新的统计信息

Meilisearch 1.3 向统计对象引入了 3 个新字段

numberOfEmbeddedDocuments：至少包含一个嵌入的文档总数
numberOfEmbeddings：索引中嵌入的总数
usedDatabaseSize：数据库使用的存储空间（以字节为单位），不包括 LMDB 声明的未使用空间。与 databaseSize 不同，此值在删除文档时会减小。

以下是返回的示例统计对象（截至 Meilisearch 1.13）

GET /stats

{
  "databaseSize": 447819776,
  "usedDatabaseSize": 196608,
  "lastUpdate": "2019-11-15T11:15:22.092896Z",
  "indexes": {
    "movies": {
      "numberOfDocuments": 19654,
      "numberOfEmbeddedDocuments": 1,
      "numberOfEmbeddings": 1,
      "isIndexing": false,
      "fieldDistribution": {
        "poster": 19654,
        "overview": 19654,
        "title": 19654,
        "id": 19654,
        "release_date": 19654
      }
    },
    "books": {
      "numberOfDocuments": 5,
      "numberOfEmbeddedDocuments": 5,
      "numberOfEmbeddings": 10,
      "isIndexing": false,
      "fieldDistribution": {
        "id": 5,
        "title": 5,
        "author": 5,
        "price": 5, 
        "genres": 5
      }
    }
  }
}