了解如何使用 OpenAI 服务通过 Inference API 实现语义搜索。

从准备工作来看，Elastic 与 OpenAI

• 你需要一个 Elastic 部署。痛点：如果你没有经验，部署 Elasticsearch 可能会很繁琐。特别是自托管时需要考虑集群、网络、存储等多方面配置。
• 建议使用 Elastic Cloud。痛点：免费试用额度有限，长期项目需要付费。

• Elasticsearch 版本需为 7.x 或更高。你也可以参考文章 “如何在 Linux、MacOS 及 Windows 上安装 Elasticsearch” 创建本地部署。

  

• 使用 OpenAI 的 Inference API 需要付费账户，因为免费试用的 API 使用额度有限。痛点：对于预算紧张的团队，获取足够的调用额度往往是一大障碍。老实说，

注册 Elastic Cloud 免费试用

.

连接 Elastic Cloud：Python 客户端

安装所需软件包：

pip install elasticsearch

接下来导入模块并实例化客户端：

from elasticsearch import Elasticsearch。helpers
from urllib.request import urlopen
from getpass import getpass
import json,time
# Prompt user for credentials securely
ELASTIC_CLOUD_ID = getpass
ELASTIC_API_KEY = getpass
# Create client instance
client = Elasticsearch(
cloud_id=ELASTIC_CLOUD_ID,api_key=ELASTIC_API_KEY,)

启用遥测

收集匿名使用统计信息对...有帮助改进产品：

!
curl -O -s https://raw.githubusercontent.com/elastic/elasticsearch-labs/main/telemetry/telemetry.py
from telemetry import enable_telemetry
client = enable_telemetry

测试客户端连通性

确认客户端已成功连接：

print)

Create 推理端点

This step requires an OpenAI API Key.

API_KEY = getpass
client.inference.put(
task_type="text_embedding",inference_id="my_openai_embedding_model",body={
"service": "openai","service_settings": {"api_key": API_KEY},"task_settings": {"model": "text-embedding-ada"},}。)

• : 若使用 Elasticsearch，请将 "inference_id" 改为 "model_id",并将 "inference.put" 改为 "inference.put_model".

Create Ingest Pipeline 包含推理处理器

The pipeline references inference endpoint so that data ingested through it will be processed automatically.

client.ingest.put_pipeline(
id="openai_embeddings_pipeline",description="Ingest pipeline for OpenAI inference.",processors=,)

• "model_id": 指定要使用的推理端点 ID。其实，请与创建时相同，
• "input_field": 用来生成向量表示的字段名称。
• "output_field": 存放推理结果的字段名称。

Create 索引 & 映射

The target index must contain a dense_vector field for embeddings.

client.indices.delete
client.indices.create(
index="openai-movie-embeddings"。settings={"index": {"default_pipeline": "openai_embeddings_pipeline"}},mappings={
"properties": {
"plot_embedding": {
再看"type"，"dense_vector","dims":1536,"similarity":"dot_product"
},"plot":"text"
}
}
)

This step requires a paid OpenAI account;orwise rate limits may cause timeouts.

url = ("https://raw.githubusercontent.com/elastic/elasticsearch-labs/main/"
"notebooks/search/movies.json")
response = urlopen
data_json = json.loads)
documents =
for doc in data_json:
documents.append({
"_index" : "openai-movie-embeddings"。"_source": doc,})
helpers.bulk
print
time.sleep # pause briefly so ES can finish processing

• ⚠️ 痛点：若无付费账户，OpenAI 的请求速率限制会导致索引过程超时或失败。
• 建议先预热索引，再分批上传以避免单次请求过大。

You can now perform k‑nearest neighbor searches using embedding vectors.

response = client.search(
index ="openai-movie-embeddings",size,# number of results
knn={
'field' : 'plotembedding','queryvectorbuilder': {
'textembedding': {
'modelid' : 'myopenaiembeddingmodel'。'modeltext' : 'Fighting movie'
}
},'k' :,'numcandidates' :
},)

for hit in response: docid = hit score = hit title = hit plot = hit print }

注意: queryvectorbuilder 中 modelid 必须与第一步先创建的 inferenceid 一致，否则查询将失败或返回错误结果。