2025 年 4 月 14 日

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，以提升性能。它还添加了核心功能，例如细粒度可过滤属性和按 ID 批量检索文档。

Carolina Ferreira开发者布道师 @ Meilisearch@CarolainFG

我们很高兴地宣布 Meilisearch v1.14 的发布。在本文中，我们将重点介绍此版本中的主要更改和改进。

有关所有更新和修复的完整列表，请访问 GitHub 上的更新日志。

这些强大的新功能即将登陆 Meilisearch Cloud。立即注册，成为首批体验最新改进的用户！

新增：细粒度可过滤属性设置

借助 Meilisearch v1.14，您可以使用高级对象格式配置可过滤属性，该格式允许您精确指定为每个属性模式启用哪些过滤功能

{
	"filterableAttributes": [
	  {
	    "attributePatterns": ["genre", "artist"], 
	    "features": { "facetSearch": true, "filter": {"equality": true, "comparison": false } }
	  },
	  {
	    "attributePatterns": ["*rank"],
	    "features": { "facetSearch": false, "filter": {"equality": true, "comparison": true } }
	  },
	  {
	    "attributePatterns": ["albumId"],
	    "features": { "facetSearch": false, "filter": {"equality": true, "comparison": false } }
	  },
	]
}

字符串属性（例如，genre，artist）：为分类过滤启用 facets 搜索和等式运算符（= / !=），同时禁用比较运算符（>，<，>=，<=），这对字符串值来说是不必要的。
数字属性（例如，*rank）：为范围过滤启用比较运算符（>，<，>=，<=），同时禁用 facets 搜索，因为它与数值数据无关。
唯一标识符（例如，albumId）：为精确匹配启用等式运算符，同时禁用未使用的功能，例如比较运算符和 facets 搜索。

这种有针对性的配置可以显著提高索引性能。

实验性功能：复合嵌入器

Meilisearch 1.14 引入了一项新的实验性功能，允许您在搜索和索引时使用不同的嵌入器，从而让您能够针对吞吐量和延迟进行优化。

使用远程嵌入器进行批量索引，因为远程嵌入器提供最高的带宽（embeddings/秒）
使用本地嵌入器来响应搜索查询，因为本地嵌入器提供最低的延迟（首次嵌入时间）

使用新的 composite 源类型配置您的嵌入器。例如，您可以将本地 Hugging Face 模型与远程推理端点结合使用，以实现快速搜索和高效索引

{
    "embedders": {
        "text": {
            "source": "composite",
            "searchEmbedder": {
                "source": "huggingFace", // locally computed embeddings using a model from the Hugging Face Hub
                "model": "baai/bge-base-en-v1.5",
                "revision": "a5beb1e3e68b9ab74eb54cfd186867f64f240e1a"
            },
            "indexingEmbedder": {
                "source": "rest", // remotely computed embeddings using Hugging Face inference endpoints
                "url": "https://URL.endpoints.huggingface.cloud",
                "apiKey": "hf_XXXXXXX",
                "documentTemplate": "Your {{doc.template}}",
                "request": {
                    "inputs": [
                        "{{text}}",
                        "{{..}}"
                    ]
                },
                "response": [
                    "{{embedding}}",
                    "{{..}}"
                ]
            }
        }
    }
}

Meilisearch 会根据当前操作自动选择合适的嵌入器。

通过选中项目概览中“实验性功能”下的“复合嵌入器”框来激活此功能。如果您是自托管 Meilisearch，请通过 /experimental-features 路由启用它。

实验性功能：缓存嵌入

Meilisearch 1.14 带来了一项新的实验性功能，允许您缓存搜索查询嵌入，从而显著提高多次运行相同查询时的性能。

要启用搜索查询嵌入缓存，请使用实例选项启动 Meilisearch，指定缓存中要存储的最大条目数

--experimental-embedding-cache-entries=150 标志
MEILI_EXPERIMENTAL_EMBEDDING_CACHE_ENTRIES=150 环境变量

启用后，Meilisearch 会存储搜索查询的嵌入向量，从而无需为相同的查询重复生成嵌入。这在以下情况下尤其有价值：

相同的查询经常重复
您正在跨多个索引使用多重搜索
您已实施本地分片，其中相同的查询被发送到不同的索引

新增：通过 ID 获取文档

现在，您可以通过主键获取一组文档

// POST /indexes/INDEX_UID/documents/fetch
{
    "ids": [785084, 44214, 473],
}

以上查询将返回相应的文档

{
    "results": [
        {
            "id": 44214,
            "title": "Black Swan"
        },
        {
            "id": 473,
            "title": "Pi"
        },
        {
            "id": 785084,
            "title": "The Whale"
        }
    ],
    "offset": 0,
    "limit": 20,
    "total": 3
}

致谢贡献者

我们要衷心感谢为此次发布做出贡献的贡献者。特别感谢 @MichaScant 对 Meilisearch 的工作，@oXtxNt9U 对 Heed 的贡献，@ptondereau 对 Arroy 的贡献，以及 @NarHakobyan 和 @mosuka 对 Charabia 的贡献。我们衷心感谢您的支持与合作。

v1.14 的内容就到这里！这些发行说明仅重点介绍了最重要的更新。有关详尽的列表，请阅读 GitHub 上的更新日志。

欲了解更多信息，请订阅我们的每月新闻通讯，或加入我们的产品讨论。

如有任何其他问题，请加入我们在 Discord 上的开发者社区。