不过，

为什么需要 Meilisearch

大多数个人项目和小型团队的搜索方案。都经历过以下痛点：

• MySQL LIKE 只能做粗糙匹配，中文分词缺失导致“机器学习”找不到“机器 学习方法”。
• 全表扫描导致数据量一大就慢。
• 没有相关性排序，结果顺序全靠运气。

Elasticsearch 是领域标准，但对个人项目来说太重：内存使用> 2 GB、需要 JDK、集群配置繁琐、中文分词需插件、API 复杂。相比之下Meilisearch 在 小于10万文档 时更务实：

. 开箱即用的中文分词

No plugin needed – Meilisearch 内置中文分词能力。索引时自动拆词，搜索时自动匹配。

. Typo Tolerance

Slight misspellings still match thanks to Damerau‑Levenshtein distance.

. 前缀搜索 & 过滤与排序

Aim for real‑time responses and flexible filtering/sorting based on business fields.

. 向量搜索— RAG 的主要支持

The key feature enabling semantic retrieval for RAG workflows.

快速上手

安装方式多样化

# macOS
brew install meilisearch
# Linux
curl -L https://install.meilisearch.com | sh
# Windows
scoop install meilisearch
# Docker
docker run -d -p 7700:7700 \
-v $/meili_data:/meili_data \
getmeili/meilisearch:v1 \
--master-key your-master-key
}

启动并访问 Web UI

meilisearch --master-key your-master-key
}

基本操作示例

# 创建索引并添加文档
curl -X POST 'http://localhost:7700/indexes/articles/documents' \
-H 'Authorization: Bearer your-master-key' \
-H 'Content-Type: application/json' \
--data '
}]'
# 搜索示例
curl 'http://localhost:7700/indexes/articles/search?q=并发&filter=user_id=123'
}

Go 集成实战

SDK 安装与初始化连接示例

// go get github.com/meilisearch/meilisearch-go
package services
import (
"log"
"github.com/meilisearch/meilisearch-go"
)
type SearchService struct {
client meilisearch.ServiceManager
docIndex string
chunkIndex string
}
func GetSearchService *SearchService {
cfg := config.LoadConfig
client := meilisearch.New(
cfg.Search.Host,meilisearch.WithAPIKey,)
svc := &SearchService{
从client来看，client,docIndex: cfg.Search.Index,chunkIndex: cfg.Search.Index + "_chunks"。
}
svc.initDocIndex
svc.initChunkIndex
return svc
}
}

文档索引结构定义

// DocumentIndex represents a full document.
type DocumentIndex struct {
ID uint `json:"id"`
UserID uint `json:"user_id"`
CategoryID *uint `json:"category_id,omitempty"`
Title string `json:"title"`
Content string `json:"content"`
Summary string `json:"summary,omitempty"`
Tags string `json:"tags,omitempty"`
CategoryName string `json:"category_name,omitempty"`
CreatedAt string `json:"created_at"`
UpdatedAt string `json:"updated_at"`
}
}

从索引配置来看，可过滤/可排序/权重设置等。

// initDocIndex configures main document index.
func initDocIndex {
idx := s.client.Index
// 可过滤字段
filterable := *interface{}{"user_id","category_id","tags"}
idx.UpdateFilterableAttributes
// 可排序字段
sortable := string{"created_at","updated_at"。"title"}
idx.UpdateSortableAttributes
// 搜索字段优先级：标题> 内容> 摘要> 标签
searchable := string{"title","content","summary","tags"}
idx.UpdateSearchableAttributes
// 排序规则提高相关性和错误容忍度
ranking := string{
"words","typo","proximity","attribute","sort","updated_at:desc",}
idx.UpdateRankingRules
}
}

至于关键查询接口，按使用者 ID、分页等筛选。说起来，

// Search queries documents with optional filters.
func Search {
idx := s.client.Index
filter := fmt.Sprintf
result。err := idx.Search(keyword,&meilisearch.SearchRequest{
至于Filter，filter,HitsPerPage: pageSize,Page: page,})
if err!= nil { return nil,err }
return parseResult。nil // parseResult converts mapinterface{} to struct.
}
}

**痛点**的观点是，如果不及时等待任务完成，更新的设置可能未生效，导致后续查询失效。生产环境建议使用 TaskInfo 检查状态。

从向量搜索来看，Meilisearch 在 RAG 中的应用细节

什么是 RAG？主要流程简述，

User Query → Retrieve relevant docs → Pass as context → LLM generates answer.

• Noisy keyword matching can miss semantically related docs.
• A vector-based retrieval solves this by matching embeddings.
• The challenge is efficient ANN search at scale without heavy infrastructure.
.
• 在传统方案中 MySQL 全表扫描消耗巨大；同步到两个程序会增加维护成本。