图搜场景快速入门
购买实例
购买实例可参考购买OpenSearch向量检索版实例。
配置实例
新购买的实例，在其详情页中，实例状态为“待配置”，之后需要进入实例详情页，为该实例配置表基础信息>数据同步>字段配置>索引结构>确认创建，最后等待索引重建完成即可正常搜索。
在实例列表页面，找到目标实例，单击其操作列的配置进入实例详情页。
1.表基础信息
进入实例列表页，在左侧导航栏中找到表管理，点击添加表开始表基础信息设置，依次输入表名称、数据分片数、数据更新资源数，其中场景模板选择“向量：图片搜索”模板，设置完成后点击下一步。
配置说明：
-
表名称：可自定义。
-
数据分片数：分片数设置时，请填写不超过256的正整数，用于提升全量构建速度、单次查询性能。（部分存量实例，仍需各索引表分片数保持一致；或至少一个索引表分片数为1，其余索引表分片数一致）
-
数据更新资源数：数据更新所用资源数，每个索引默认免费提供2个4核8G的更新资源，超出免费额度的资源将产生费用，详情可参考向量检索版国际站计费文档
-
场景模板：向量检索版内置了3种模板可供用户选择：通用、向量-图片搜索、向量-文本语义模板。
如果需要将原始数据转为向量数据可参考端到端图搜解决方案。
2.数据同步
选择全量数据来源（目前支持的数据源有MaxCompute+API、对象存储OSS+API、OpenLake-DLF向量数据同步至阿里云OpenSearch和API数据源），本文以MaxCompute+API为例，依次设置AccessKey、AccessKey Secret、Project、Table、Partition，按需选择是否开启自动索引重建，设置完成后在数据来源校验点击校验，通过后才可以进行下一步操作。
3.字段配置
向量检索版会根据选择的场景模板，预置相关字段，并将全量数据来源中的字段，自动导入字段列表中。其中向量：图片搜索模板至少需要包含4个预置字段，1.id（主键）、2.source_image（源图片）、3.namespace（命名空间）、4.source_image_vector（源图片向量）。
字段配置说明：
-
必选字段：主键字段和向量字段，主键字段为int或string类型并且需要勾选主键按钮，向量字段为float类型并且需要勾选向量字段按钮。
-
向量字段默认为多值的float类型，控制台建表默认采用逗号切分，支持自定义多值分隔符。
-
图片向量化的字段需要勾选“需embedding字段”。
-
使用向量检索，在定义字段时有位置要求，需要按照主键字段、命名空间字段（非必要）、向量字段的顺序创建。
-
在需数据预处理的去配置，可以对source_image预设字段进行配置。
字段 source_image 数据预处理配置说明：
选择OCR图片文字识别+图片向量化模板后，服务列表包含三项服务：OCR 图片文字识别使用模型 ops-image-analyze-ocr-001，生成字段 source_image_ocr；文本向量化使用模型 ops-text-embedding-001（1536维），生成字段 source_image_ocr_vector；图片向量化使用内置 clip 模型（512维），生成字段 source_image_vector。
-
数据来源：有OSS对象存储和Base64编码的两种数据类型选项。
-
OSS对象存储：需要填写OSS路径，其实是将图片存储在OSS的文件夹里面，从OSS直接导入。
-
Base64编码：相当于需要先将图片进行一次编码，然后存储在数据库中，或者直接用API方式进行传输。
-
-
预处理模板：会根据要进行预处理的数据类型（文本或图片）而展示不同模板，由于字段的数据是图片类型，所以此时预处理模板展示的分别为（1.图片向量化、2.OCR图片文字识别、3.OCR图片文字识别+图片向量化）三种模板。
-
服务列表：
-
选定预处理模板后，自动出现模板下的服务列表，展示该模板下所用到的模型种类。
-
可选的模型有两个来源：
-
AI平台OCR图片文字识别/文本向量服务
-
OCR图片文字识别：针对架构图、分析图表等图片数据，AI搜索开放平台提供图片内容理解服务，可基于多模态大模型对图片内容进行解析理解以及文字识别，也可基于OCR能力对图片文字进行识别，将文字信息提取出来，用于图片检索及问答等场景。
-
文本向量化：提供将文本数据转化为稠密向量形式表达的服务，支持多款不同语言、输入长度、输出维度的文本向量模型，可用于信息检索、文本分类、相似性比较等场景。
-
-
-
生成字段：原始图片数据经过模型处理后，会被自动转化为其他格式，生成新的字段内容
-
embedding处理类的服务，默认必须生成字段。
-
ocr服务可选是否生成字段。
-
-
接口调用配置：为了成功访问AI搜索开放平台，需要完成工作空间、API Key、连接域名的设置。单击接口调用配置区域的配置按钮，在弹出的AI搜索开放平台模型服务接口调用配置对话框中，分别选择工作空间、API-KEY和连接域名，然后单击确认。同一张表内各字段的 AI 搜索开放平台模型调用仅需配置一次。
4.索引结构
OpenSearch会对主键与向量字段自动构建索引，索引名与字段名相同，只需要在控制台配置向量索引：
向量索引配置中，主键字段为 id，向量字段为 vector，向量维度设为 768，距离类型选择 SquaredEuclidean，向量索引算法选择 Qc，实时索引设为 true。
高级配置按需填写，详情可参考向量索引通用配置。
-
主键字段、向量字段必须填写，命名空间字段非必填，可以为空。
-
仅支持选择固定的三个字段，不支持新增。
-
系统自动填充向量索引的配置参数，如无特殊需求，可直接点击「确定」快速完成配置。
-
命名空间字段：实例引擎版本为vector service 1.0.2及以下版本，namespace标签字段不支持string格式类型；实例引擎版本为vector service 1.0.2及以上版本，无此限制。
5.确认创建
索引配置完成后，点击确认创建。
确认后，系统将自动进行索引构建，构建完成后的索引将自动在当前实例中启用。
6.变更历史
实例管理-变更历史-数据源变更，可以看到创建表及新增索引及索引重建的所有FSM，全部完成之后引擎搭建完成，可以开始查询测试：
页面以时间线形式展示各 FSM 流水线执行进度，如新增数据源部署和 table_active_fsm 等流程，每个流程包含多个步骤（如 check_resource、create_table_config_resource、create_swift_topic 等），各步骤完成后显示绿色对勾标识。
7.查询测试
在左侧导航栏向量管理>查询测试进行查询，查询测试同时支持表单/开发者模式。
7.1表单模式
依次选择好表单模式>表名，Query类型可以选择向量、文本、图片，本次以图片类型为例，图片提供方式选择上传图片文件，上传完成图片后，点击搜索就可以在搜索结果栏中查看到结果了。
其中索引名称选择source_image_vector，TopK设置为10，结果排列顺序为ASC，多主体识别选择不开启。搜索完成后，结果表格展示匹配记录的距离分、主键、向量值、属性及命名空间等列信息。
7.2开发者模式
依次选择好开发者模式>表名，在下方的搜索框内输入查询参数，完成后点击搜索就可以在右侧的结果栏内看到查询结果。
-
vector：具体要查询的向量
-
topK：取top K个结果
-
includeVector：是否返回文档中的向量信息
搜索框中的查询参数以 JSON 格式提交，示例结构包含 vector、topK、includeVector 等字段；右侧结果栏以表格形式展示匹配记录的距离分、主键、向量值及属性等列信息。详细的查询语法可参考下方的语法说明。