OpenSearch:Vector search

Rutas de consulta

La búsqueda vectorial de OpenSearch ofrece dos rutas de consulta. Elija la ruta que coincida con el método de análisis configurado para su índice vectorial:

• Búsqueda vectorial: se pasan los valores del vector directamente en la cadena de consulta. Utilice esta ruta cuando ya cuente con los valores del vector que desea consultar.

• Búsqueda de embedding multimodal: se pasa texto o una imagen directamente en la cadena de consulta. El análisis de consultas reescribe la entrada como un vector antes de ejecutar la búsqueda. Esta ruta aplica únicamente cuando el método de análisis del índice vectorial es un análisis de embedding multimodal, como qwen3_vl_embedding_2560d o ops_mm_embedding_ecom_001.

Sintaxis

query = vector_index:'vector'&vector_search={"vector_index":{"namespaces":[],"threshold":0.5,"top_n":10,"search_params":{}}}

El parámetro opcional vector_search configura las consultas de índices vectoriales. Utiliza un formato de diccionario donde cada clave es el nombre del índice vectorial que se va a consultar y cada valor es la configuración de consulta correspondiente. La clave debe coincidir con el nombre del índice vectorial utilizado en la cadena de consulta. A continuación se describen los parámetros de configuración más comunes.

El parámetro vector_search también es válido en escenarios de multi-channel recall.

El siguiente ejemplo consulta un índice vectorial de 64 dimensiones. El bloque de código contiene únicamente el valor del vector y no representa una cadena de consulta completa.

vector: '0.377796,-0.958450,0.409853,-0.238177,-1.293826,0.356797,-0.295727,0.847301,-1.220337,0.148032,-1.128458,0.903187,0.509352,0.293686,-1.005852,-0.488839,0.888227,-0.555556,-0.658025,0.267552,-0.567601,0.003045,0.591734,-0.515983,-1.316453,-1.462450,0.091946,1.554954,0.384802,0.720498,0.144338,1.217826,0.724039,0.044212,0.571332,-1.425430,0.618965,0.481887,-1.617787,1.505416,-0.683652,1.030900,0.562021,0.162437,0.816546,0.112229,-0.739288,-0.342643,-0.199292,0.508368,-1.384887,-1.842170,0.952622,-1.699499,0.199430,-0.232464,-0.273227,-0.383696,-0.511302,0.005458,1.873572,-0.926169,-0.417587,-0.660156'

Ejemplos de consulta

Cada ejemplo muestra el formato recomendado de vector_search junto con el formato anterior del parámetro al que reemplaza.

# Old version
query=index_name:'0.1,0.2,0.98,0.6;0.3,0.4,0.98,0.6&sf=0.8'
# New version
query=index_name:'0.1,0.2,0.98,0.6;0.3,0.4,0.98,0.6'&vector_search={"index_name":{"threshold":0.8}}

# Old version
query=index_name:'0.1,0.2,0.98,0.6;0.3,0.4,0.98,0.6&n=10'
# New version
query=index_name:'0.1,0.2,0.98,0.6;0.3,0.4,0.98,0.6'&vector_search={"index_name":{"top_n":10}}

Ordenar resultados por puntuación vectorial

Establezca proxima_score(index_name) en la expresión de ordenamiento fino para obtener la puntuación de distancia vectorial.

• index_name: el nombre del índice vectorial.

• Tipo de retorno: float. Para los documentos que no devuelve la búsqueda vectorial, la distancia vectorial es 10,000 de forma predeterminada.

• Ejemplo: proxima_score(your_vector_index).

Procedimiento:

1. Vaya a Search Algorithm Center > Sort Configuration > Policy Configuration y haga clic en Create. Establezca el ámbito de aplicación en Default fine sort y seleccione Expression como tipo.

2. En la página Search Test, configure el parámetro second_rank_name para hacer referencia a la directiva de ordenamiento fino que creó y, a continuación, ejecute una consulta de búsqueda vectorial.

3. Compare los resultados de búsqueda de la directiva de ordenamiento fino predeterminada con los de la directiva personalizada. Si el resultado de la fórmula de ordenamiento muestra SecondRank: expression[proxima_score(vec)], result[100.000000], la puntuación de distancia vectorial entró en vigor correctamente.

Límites

A continuación se detallan los límites aplicables a la búsqueda vectorial:

• Métrica de distancia: OpenSearch utiliza la distancia euclidiana (l2) como métrica de distancia vectorial durante la creación del índice de forma predeterminada. Para usar la distancia de producto interno (ip), normalice los vectores antes de pasarlos al motor.

• Interpretación de la puntuación: en la distancia de producto interno (ip), una puntuación vectorial más alta indica mayor relevancia del documento. En la distancia euclidiana (l2), una puntuación más baja indica mayor relevancia.

• Tipo de campo: el campo que corresponde a un índice vectorial debe ser del tipo DOUBLE_ARRAY.

• Dimensiones compatibles: el tokenizer vectorial admite dimensiones de 64, 128, 256 y 512. La cantidad de elementos en el campo DOUBLE_ARRAY debe coincidir exactamente con la dimensión configurada para el índice vectorial.

• Longitud de consulta y cantidad de índices: la longitud máxima de la cadena del vector de consulta es de 4 KB antes de la codificación. Por lo general, una sola consulta admite hasta dos índices vectoriales.

Búsqueda de embedding multimodal

Cuando el método de análisis de un índice vectorial es un análisis de embedding multimodal, como qwen3_vl_embedding_2560d o ops_mm_embedding_ecom_001, puede pasar texto o una imagen directamente en la consulta. El análisis de consultas reescribe automáticamente la entrada como un vector y luego ejecuta la búsqueda. Una consulta multimodal acepta una entrada unimodal (texto o una URL de imagen) o una entrada multimodal (texto e imagen en la misma consulta).

Consulta unimodal: la consulta de búsqueda es texto o una URL de imagen. Las URL de imagen solo admiten los protocolos http y https.

# Text query
query=mm_vector:'dress'

# Image query
query=mm_vector:'https://example.com/a.jpg'

Consulta multimodal: la consulta de búsqueda es una cadena JSON que contiene tanto texto como una imagen. (Recomendado) Encierre la cadena JSON entre comillas simples. Si utiliza comillas dobles, escápelas.

query=mm_vector:'{"text":"dress","image":"https://example.com/a.jpg"}'

Una vez que el análisis de consultas reescribe la solicitud, las consultas anteriores se convierten a formato vectorial, como mm_vector:'1.0,2.0,3.0', y después se procesan. Este valor vectorial solo ilustra el formato convertido y no indica una cantidad de dimensiones compatible.

Región personalizada de reconocimiento de objetos: en escenarios de búsqueda de imágenes, utilice el parámetro object_location para especificar la ubicación objetivo del reconocimiento de objetos. El formato es x,y,width,height. Este parámetro surte efecto únicamente en búsquedas de imágenes.