Elasticsearch Service 特别：采用 sema

本文介绍 semantic 搜索的基本要点，您可以参阅此文档了解更多详情。
semantic 直接使用自然语言写入和查询，相比 knn 查询体验更加简单。我们只需要指定基于机器学习节点或者 Inference 创建的推理服务，即可轻松完成读写，无需创建 Ingest Pipeline 和关注底层模型与推理细节（例如维度、m、ef 等）。
创建推理端点
将机器学习节点部署的模型服务创建为一个推理端点（参阅这里了解创建推理端点的更多细节）。
PUT _inference/text_embedding/bge-base-zh-service
{
  "service": "elasticsearch",
  "service_settings": {
    "model_id": "bge-base-zh",
    "num_allocations": 1,
    "num_threads": 1
  }
}
创建索引
semantic 字段默认用 Elastic 自带的.elser-2-elastic 推理端点（EIS 服务），这是一个稀疏向量嵌入模型，我们可以显式地指定为自己创建的推理端点：
PUT semantic_search_index
{
    "mappings":{
        "properties": {
            "content_vector":{
                "type":"semantic_text",
                "inference_id":"bge-base-zh-service",  // 指定写入和查询的推理端点
            },
            "content":{
                "type":"text",
                "copy_to":"content_vector"
            }
        }
    }
}
写入数据
写入的同时，自动调用模型生成向量数据：
PUT semantic_search_index/_doc/1
{
    "content":"使用semantic search，可以简化数据入库语句"
}
﻿
PUT semantic_search_index/_doc/2
{
    "content":"使用semantic search，可以简化数据查询语句"
}
﻿
执行语义搜索
执行 match 搜索，查询内容采用自然语言，如下是一个示例：
GET semantic_search_index/_search
{
  "query": {
    "match": {
      "content_vector": {
        "query": "What is semantic search ?"
      }
    }
  }
}
特别：采用 semantic 字段简化写入和搜索

本页目录：

创建推理端点

创建索引

写入数据

执行语义搜索
