Meilisearch 1.9

我们很高兴推出 Meilisearch v1.9。在本文中，我们将回顾最具影响力的变化。有关详尽的列表，请查看 GitHub 上的更新日志。

新增：排名分数阈值

Meilisearch 1.9 允许排除排名分数较低的搜索结果。当使用新的 rankingScoreThreshold 选项时，Meilisearch 将不会返回任何低于定义阈值的文档。

curl 
 -X POST 'https://127.0.0.1:7700/indexes/movies/search' 
 -H 'Content-Type: application/json' 
 --data-binary '{
    "q": "green ogre living in a swamp",
    "hybrid": { 
	    "semanticRatio": 0.9, 
	    "embedder": "default" 
	},
    "showRankingScore": true,
    "limit": 5,
    "rankingScoreThreshold": 0.2
 }'

在实现 混合搜索时使用排名分数阈值，可以删除不相关的结果，并允许您的搜索分析正确收集无搜索结果指标。

新增：搜索时的唯一属性（按分组）

Meilisearch 1.9 增加了在搜索时定义唯一属性的功能。当使用新的 distinct 搜索参数时，Meilisearch 将仅返回一个具有指定属性值的文档。

此功能通常用于电子商务应用程序。考虑一个包含同一产品的多个变体的 products 索引，例如，共享相同 product_id 的 Blue iPhone 15 和 Red iPhone 15 文档。下面的 API 调用将返回单个 iPhone 15。

curl 
 -X POST 'https://127.0.0.1:7700/indexes/products/search' 
 -H 'Content-Type: application/json' 
 --data-binary '{
    "q": "iphone",
    "distinct": "product_id"
 }'

新增：frequency 匹配策略

Meilisearch 1.9 引入了一种新的匹配策略，用于优先考虑包含最不常见查询词的结果。当使用 frequency 匹配策略时，Meilisearch 将降低非常常见词语的优先级。

让我们以 "the little prince" 查询为例。在我们的索引文档中，单词 "the" 和 "little" 可能有很多出现次数。因此，匹配策略将优先考虑包含 "prince" 的文档。

实验性：新的相似文档 API

Meilisearch 1.9 引入了一个新的由 AI 驱动的搜索功能，允许搜索与现有文档相似的文档。

以下 API 调用在电影索引中搜索与主键为 23 的文档相似的文档。

curl 
  -X POST /indexes/movies/similar
  -H 'Content-Type: application/json' 
  --data-binary '{
    "id": "23",
    "embedder": "default",
  }'

查看相似文档 API，了解有关其他参数的更多信息。

实验性：避免重新生成嵌入

当导入使用 Meilisearch 1.9 或更高版本创建的转储时，Meilisearch 将不会重新生成嵌入。这将在升级 Meilisearch 数据库时避免不必要的计算。

新增：regenerate 参数

此外，Meilisearch 1.9 引入了一个新的 API，以提供对文档嵌入生成的更精细的控制。具体来说，它可以在更新文档时启用嵌入生成。

文档 _vectors 对象现在除了接受数组外，还接受对象。提供的对象接受 regenerate 布尔值和一个可选的 embeddings 数组。

考虑下面带有用户提供的嵌入的示例文档

{
	"id": 42,
	"_vectors": {
		// Embeddings for the `default` embedder
		// Equivalent to `regenerate: true`
		"default": [0.1, 0.2 ],
		// Embeddings for the `text` embedder
		"text": {
			"embeddings": [[0.1, 0.2, 0.3], [0.4, 0.5, 0.6]],
			// Never regenerate embeddings
			"regenerate": false
		},
		"translation": {
			"embeddings": [0.1, 0.2, 0.3, 0.4],
			// Regenerate embeddings when document is updated
			"regenerate": true
		}
	}
}

虽然通常情况下，您可能希望在每次更新文档时重新生成嵌入，但这有助于从用户提供的嵌入迁移到让 Meilisearch 处理嵌入，而不会产生不必要的成本。

实验性：混合搜索的重大更改

随着我们朝着稳定由 AI 驱动的搜索功能的方向迈进，我们引入了微小的重大更改，以减少 API 的错误发生率。

重大更改：空的 embeddings 数组

根据用户反馈，以前的行为是意外且无帮助的，现在提供空的 embeddings 数组将告诉 Meilisearch 该文档没有嵌入。

重大更改：删除搜索结果中的 _vectors

从 Meilisearch 1.9 开始，对向量搜索和混合搜索请求的 API 响应将不再在响应中包含 _vectors。

但是，如果您希望 API 响应包含它们，您现在可以使用新的 retrieveVectors 搜索参数

curl 
  -X POST 'https://127.0.0.1:7700/indexes/movies/search' 
  -H 'Content-Type: application/json' 
  --data-binary '{
    "q": "star wars",
    "retrieveVectors": true
  }'

重大更改：优化用户提供的 embeddings

从 Meilisearch 1.9 开始，向量嵌入将不再按原样存储。数字将被转换为规范化表示中的浮点数，以节省存储空间并优化性能。简而言之，向量 [3] 可能会存储为 [3.0]。

贡献者致谢

感谢所有参与此版本的社区成员。特别感谢 @gh2k、@writegr 和 @yudrywet 对 Meilisearch 的贡献，以及 @mosuka、@Soham1803 和 @tkhshtsh0917 对 Charabia 的贡献。

当然，还要非常感谢我们的 SDK 维护人员，感谢他们让 Meilisearch 可以在多种语言中使用。特别感谢 @the-sinner 和 @norkunas。🫶

v1.9 的内容就到此为止！此版本帖子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。

订阅我们的每月通讯，随时了解 Meilisearch 的最新动态。要了解更多关于 Meilisearch 的未来并帮助塑造它，请查看我们的路线图并参与我们的产品讨论。

如有其他问题，请加入我们在 Discord 上的开发者社区。