elasticsearch学习之基本概念-混合搜索

一、核心主旨

本文以房产房源检索为业务场景，通过对照实验，实证混合搜索 为何能解决纯词法搜索、纯语义搜索的核心短板，同时提供Elasticsearch（ES）端到端可落地的实现方案。全文所有操作、DSL语法、特性均适配ES 9.3.0稳定版。

---

二、核心术语与概念深度解析

2.1 术语

英文术语	标准中文翻译	补充说明
Hybrid Search	混合搜索	本文特指词法搜索+语义搜索的双模式融合检索方案
Lexical Search	词法搜索	又称全文检索/关键词匹配搜索，ES原生核心能力
Semantic Search	语义搜索	基于AI向量编码的概念匹配检索，本文基于ES稀疏向量实现
TF-IDF	词频-逆文档频率	经典文本相似度算法，ES默认已不再使用
BM25	最佳匹配25算法	ES 5.0+至今（含9.3.0）默认的词法搜索相似度打分算法
ELSER	Elastic稀疏编码检索模型	Elastic自研、专为检索优化的稀疏向量模型，ES原生集成
RRF (Reciprocal Rank Fusion)	倒数秩融合	无监督多结果集融合算法，ES混合搜索的官方推荐核心机制
MRR (Mean Reciprocal Rank)	平均倒数排名	检索排序效果的核心量化评估指标
semantic_text	语义文本字段	ES 8.11+新增、9.3.0已稳定的语义搜索专属字段类型

2.2 核心概念完整解析（原文一笔带过内容深度展开）

2.2.1 词法搜索：原理、优势与短板

词法搜索在用户知晓精确关键词时效果优异，该方案通过词频相关算法匹配相关文档并完成排序。

1. 核心算法纠正 ：TF-IDF是经典算法，但ES从5.0版本开始，默认的词法搜索相似度打分算法为BM25，ES 9.3.0仍保持该默认配置，二者核心差异：

   • TF-IDF：核心逻辑为「词在文档中出现频率越高、在全量数据集中越罕见，打分越高」，但未解决文档长度归一化、高频词过度加权的问题。

   • BM25：在TF-IDF基础上，新增文档长度归一化 和词频饱和系数，避免长文档、高频词扭曲打分结果，是当前工业界全文检索的标准算法，匹配精度远优于TF-IDF。

2. 核心优势：对精确关键词、专有名词、数字、SKU、编号等字面匹配场景，精度极高、性能极强，支持亿级数据毫秒级响应。

3. 核心短板：仅能做字面匹配，无法理解同义词、近义词、上下文语义，用户查询词未出现在文档中时，完全无法召回相关结果。

2.2.2 语义搜索：原理、优势与短板

当用户查询的关键词未出现在文档中，或用户想检索一个概念而非具体内容时（比如"适合家庭聚餐的好地方"），语义搜索就会发挥作用。它会考虑查询的上下文语义，返回概念相似的文档，召回能力远强于词法搜索；但短板是精确匹配能力弱，尤其对数字、专有名词的精度不足。

1. 底层实现逻辑 ：语义搜索的核心是通过AI模型将文本（查询词/文档）编码为高维向量，通过计算向量间的相似度，找到概念最接近的文档。本文使用的ELSER是稀疏向量模型，区别于常见的稠密向量模型，其向量中大部分值为0，可直接复用ES的倒排索引，无需额外的向量数据库组件，检索性能更高，对英文检索适配性更好。

2. semantic_text字段核心能力：

ES 9.3.0中该字段实现了语义搜索全流程自动化：

• 写入时：自动关联inference推理端点，对文本内容自动生成稀疏向量，无需用户手动调用模型、处理向量数据。

• 查询时：自动对查询词生成向量并完成相似度检索，无需编写复杂的向量查询DSL。

• 原生支持copy_to，可实现一份文本同时用于词法搜索和语义搜索，保证数据一致性，简化写入流程。

1. 核心优势：可理解文本的语义、概念、上下文，支持同义词、近义词、模糊概念检索，彻底解决词法搜索"字面不匹配就无法召回"的核心痛点。

2. 核心短板：对精确关键词、数字、枚举值的匹配精度不足，容易出现"概念匹配但精确条件不符合"的结果，比如本文中纯语义搜索把3居室房源排在了2居室的前面。

2.2.3 混合搜索：核心价值与实现原理

混合搜索融合了词法搜索的精确匹配能力和语义搜索的上下文感知能力，实现了二者的优势互补。

1. 核心解决的行业痛点：词法搜索的BM25分数无固定区间，语义搜索的向量相似度分数通常在0-1之间，两套打分体系量级完全不同，无法直接加权求和；纯人工调权适配成本极高，且泛化性极差。

2. ES官方推荐实现方案 ：基于RRF倒数秩融合算法实现混合搜索，也是本文原文采用的方案。

3. RRF算法原理：

   • 核心逻辑：不关注单个查询的绝对分数，只关注文档在单个查询结果中的排名，通过倒数秩计算融合后的最终分数，完美解决不同打分体系无法融合的问题。

   • 核心公式：文档最终RRF分数 = Σ 1/(rank_constant + 文档在单个查询结果中的排名)

   • 参数详解：

     • rank_constant：秩常数，用于控制排名靠前文档的权重，值越小，排名靠前的文档权重越大；ES默认值为60，本文测试场景使用20，生产环境建议在20-60之间调整。

     • rank_window_size：秩窗口大小，定义参与融合的单个查询结果集数量，只有排在该数值内的文档才会参与RRF打分；ES默认值为100，本文使用50，生产环境建议在50-200之间调整，值越大召回率越高，但性能开销越大。

4. 核心优势：无需人工调权、开箱即用，同时保留词法搜索的精确匹配能力和语义搜索的概念召回能力，完美适配"既有精确筛选条件、又有语义概念需求"的复杂查询场景。

---

三、ES 9.3.0混合搜索端到端实操

本文业务场景：房产房源检索，核心查询需求为Pinewood片区、2居室的安静房源 ，其中「安静房源」是语义需求，「Pinewood片区、2居室」是精确匹配需求，唯一完全符合需求的文档为_id=5的房源。

3.1 前置准备：ELSER模型与推理端点配置

使用ELSER作为模型提供方，首先创建推理端点。

【ES 9.3.0优化版DSL+完整解析】

3.1.1 创建稀疏向量推理端点

# ES 9.3.0 优化版：明确指定ELSER v2模型，适配9.x版本语法，避免版本歧义
PUT _inference/sparse_embedding/my-elser-model 
{
  "service": "elser", 
  "service_settings": {
    "model_id": ".elser_model_2", 
    "num_allocations": 1,
    "num_threads": 1
  }
}

【参数详解与常见问题处理】

1. 参数说明：

   • model_id：ES 9.3.0默认推荐ELSER v2模型，固定id为.elser_model_2，明确指定可避免模型版本歧义。

   • num_allocations：模型部署的分片数，单节点集群设置为1，多节点生产集群可根据节点数调整，提升吞吐量。

   • num_threads：每个分片的线程数，单节点测试环境设置为1，生产环境可设置为2-4，提升推理速度。

2. 常见错误与解决方案：

   • 502 Bad Gateway错误：模型正在后台下载、加载、部署，属于正常现象，无需重复提交创建请求。

   • 模型部署状态查看：

     • Kibana路径：Machine Learning > Trained Models，查看.elser_model_2的部署状态为deployed即可。

     • API查询：GET _ml/trained_models/.elser_model_2/deployment_stats，查看state字段为started即可。

   • 部署失败常见原因：

     1. 集群无外网访问权限：无法自动下载模型，需手动上传ELSER模型到集群。

     2. JVM堆内存不足：ELSER模型至少需要2GB堆内存，单节点部署需调整jvm.options配置，建议堆内存设置为物理内存的50%，不超过31GB。

     3. 机器学习功能未开启：确保elasticsearch.yml中xpack.ml.enabled: true（ES 9.3.0默认开启）。

3.2 索引配置与映射优化

索引配置中，我们使用text字段用于词法搜索，semantic_text字段用于语义搜索，通过copy_to将描述字段复制到语义字段，同时用于词法和语义查询。

【ES 9.3.0版DSL+完整解析】

# ES 9.3.0 优化版：新增settings配置、字段权重、参数规范，适配生产场景
PUT properties-hybrid
{
  "settings": {
    "number_of_shards": 1,
    "number_of_replicas": 0,
    "analysis": {
      "analyzer": {
        "english": {
          "type": "english",
          "stopwords": "_english_"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "english",
        "boost": 3 
      },
      "description": {
        "type": "text",
        "analyzer": "english", 
        "copy_to": "semantic_field",
        "boost": 2
      },
      "neighborhood": {
        "type": "keyword" 
      },
      "bedrooms": {
        "type": "integer"
      },
      "bathrooms": {
        "type": "integer"
      },
      "semantic_field": {
        "type": "semantic_text",
        "inference_id": "my-elser-model",
        "model_settings": {
          "sparse": true
        }
      }
    }
  }
}

1. settings：

   • 测试环境设置number_of_replicas: 0，避免单节点集群黄标；生产环境建议设置为1，保证数据高可用。

   • 明确指定英文分词器与停用词过滤，提升词法搜索的精度。

2. mappings：

   • 给title和description字段设置boost权重，标题权重3倍、描述权重2倍，符合房产检索的业务逻辑（标题信息优先级更高）。

   • neighborhood字段设置为keyword类型，而非text，适合精确匹配、聚合、过滤，避免分词导致的匹配错误。

   • semantic_field明确指定sparse: true，适配ELSER稀疏向量模型，ES 9.3.0会自动优化稀疏向量的倒排索引存储与检索。

3. copy_to核心作用 ：写入文档时，description字段的内容会自动复制到semantic_field，无需手动写入语义字段内容，保证词法搜索和语义搜索使用的文本完全一致，同时简化写入流程。

3.3 测试数据批量写入

通过bulk API批量写入房源测试数据。

【ES 9.3.0版DSL】

# 优化版：新增refresh=true，测试环境数据立即可见，避免查询延迟
POST _bulk?refresh=true
{ "index" : { "_index" : "properties-hybrid" , "_id": "1"} }
{ "title": "2 Bed 2 Bath in Sunnydale", "description": "Spacious apartment with modern amenities, perfect for urban dwellers.", "neighborhood": "Sunnydale", "bedrooms": 2, "bathrooms": 2 }
{ "index" : { "_index" : "properties-hybrid", "_id": "2" } }
{ "title": "1 Bed 1 Bath in Sunnydale", "description": "Compact apartment with easy access to downtown, ideal for singles or couples.", "neighborhood": "Sunnydale", "bedrooms": 1, "bathrooms": 1 }
{ "index" : { "_index" : "properties-hybrid", "_id": "3" } }
{ "title": "2 Bed 2 Bath in Pinewood", "description": "New apartment with modern bedrooms, located in a restaurant and bar area. Suitable for active people who enjoy nightlife.", "neighborhood": "Pinewood", "bedrooms": 2, "bathrooms": 2 }
{ "index" : { "_index" : "properties-hybrid", "_id": "4" } }
{ "title": "3 Bed 2 Bath in Pinewood", "description": "Secluded and private family unit with a practical layout with three total rooms. Near schools and shops. Perfect for raising kids.", "neighborhood": "Pinewood", "bedrooms": 3, "bathrooms": 2 }
{ "index" : { "_index" : "properties-hybrid", "_id": "5" } }
{ "title": "2 Bed 2 Bath in Pinewood", "description": "Retired apartment in a serene neighborhood, perfect for those seeking a retreat. This well-maintained residence offers two bedrooms with abundant natural light and silence.", "neighborhood": "Pinewood", "bedrooms": 2, "bathrooms": 2 }
{ "index" : { "_index" : "properties-hybrid", "_id": "6" } }
{ "title": "1 Bed 1 Bath in Pinewood", "description": "Apartment with a scenic view, ideal for those seeking an energetic environment.", "neighborhood": "Pinewood", "bedrooms": 1, "bathrooms": 1 }
{ "index" : { "_index" : "properties-hybrid", "_id": "7" } }
{ "title": "2 Bed 2 Bath in Maplewood", "description": "Nice apartment with a large balcony, offering a relaxed and comfortable living experience.", "neighborhood": "Maplewood", "bedrooms": 2, "bathrooms": 2 }
{ "index" : { "_index" : "properties-hybrid", "_id": "8" } }
{ "title": "1 Bed 1 Bath in Maplewood", "description": "Charming apartment with modern interiors, situated in a peaceful neighborhood.", "neighborhood": "Maplewood", "bedrooms": 1, "bathrooms": 1 }

【ES 9.3.0最佳实践补充】

• 生产环境bulk请求建议批量大小为5-15MB，单批次文档数1000-5000条，避免单批次过大导致集群压力过高。

• 测试环境添加refresh=true，数据写入后立即刷新索引，可立即查询；生产环境不建议添加，使用ES默认的自动刷新机制（1秒），提升写入性能。

---

四、三种搜索方案对照实验与深度分析

固定查询需求：quiet home 2 bedroom in Pinewood（Pinewood片区、2居室的安静房源）

4.1 方案1：纯词法搜索（全文匹配）

优化版DSL

GET properties-hybrid/_search
{
  "query": {
    "multi_match": {
      "query": "quiet home 2 bedroom in Pinewood",
      "fields": ["title", "description"]
    }
  }
}

核心结果 ：排名第一的是_id=3的房源

{
    "description": "New apartment with modern bedrooms, located in a restaurant and bar area. Suitable for active people who enjoy nightlife.",
    "title": "2 Bed 2 Bath in Pinewood"
}

深度结果分析

1. 匹配逻辑：纯词法搜索通过BM25算法，匹配到了Pinewood和2 bedroom两个精确关键词，因此打分最高。

2. 核心缺陷：完全无法理解quiet的语义，_id=3的房源描述是"酒吧餐饮区、适合喜欢夜生活的人"，和"安静"完全相反，但因没有quiet这个字面词，词法搜索完全无法识别，结果完全不符合语义需求。

3. 目标文档排名：_id=5仅靠Pinewood和2 bedroom匹配，排名第2位，MRR得分0.5。

4.2 方案2：纯语义搜索（概念匹配）

优化版DSL

GET properties-hybrid/_search
{
  "query": {
    "semantic": {
      "field": "semantic_field",
      "query": "quiet home in Pinewood with 2 rooms"
    }
  }
}

核心结果 ：排名第一的是_id=4的房源

{
    "description": "Secluded and private family unit with a practical layout with three total rooms. Near schools and shops. Perfect for raising kids.",
    "title": "3 Bed 2 Bath in Pinewood"
}

深度结果分析

1. 匹配逻辑：纯语义搜索通过ELSER模型，理解了quiet home的语义，匹配到了secluded and private（隐蔽私密）、serene（宁静）、silence（安静）等相关概念，召回了符合语义需求的房源。

2. 核心缺陷：对精确数字2 rooms和片区Pinewood的匹配精度不足，语义模型弱化了精确关键词的权重，导致3居室的_id=4房源排在第一位，完全不符合"2居室"的精确筛选需求。

3. 目标文档排名：_id=5语义匹配度最高，但精确条件权重不足，排名第2位，MRR得分0.5。

4.3 方案3：混合搜索（RRF双模式融合）

ES 9.3.0官方推荐优化版DSL

GET properties-hybrid/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "semantic": {
                "field": "semantic_field",
                "query": "quiet home 2 bedroom in Pinewood"
              }
            }
          }
        },
        {
          "standard": {
            "query": {
              "multi_match": {
                "query": "quiet home 2 bedroom in Pinewood",
                "fields": ["title", "description"]
              }
            }
          }
        }
      ],
      "rank_window_size": 50,
      "rank_constant": 20
    }
  }
}

核心结果 ：排名第一的是_id=5的房源（完全符合需求）

{
    "description": "Retired apartment in a serene neighborhood, perfect for those seeking a retreat. This well-maintained residence offers two bedrooms with abundant natural light and silence.",
    "title": "2 Bed 2 Bath in Pinewood"
}

深度结果分析

1. 匹配逻辑：通过RRF算法，融合了语义搜索和词法搜索的结果排名：

   • 词法搜索：保证了Pinewood片区、2 bedroom的精确匹配，过滤掉不符合精确条件的房源。

   • 语义搜索：保证了quiet home的概念匹配，过滤掉不符合语义需求的房源。

2. 核心优势：完美解决了前两种方案的短板，既保留了精确匹配的精度，又保留了语义概念的召回能力，最终将唯一完全符合需求的房源排在第一位。

3. 目标文档排名：_id=5排名第1位，MRR得分1.0（满分）。

---

五、检索效果量化评估与指标详解

5.1 评估方案与ES 9.3.0原生API实现

使用ES的Ranking Evaluation API实现检索效果的自动化评估，选择MRR（平均倒数排名）作为评估指标，该指标会根据相关结果的排名计算得分，公式为1/排名位置，排名越靠后，得分越低。

【ES 9.3.0优化版评估DSL】

# 同时评估三种搜索方案的MRR得分，适配ES 9.3.0语法
GET /properties-hybrid/_rank_eval
{
  "requests": [
    {
      "id": "hybrid_search",
      "request": {
        "retriever": {
          "rrf": {
            "retrievers": [
              {
                "standard": {
                  "query": {
                    "semantic": {
                      "field": "semantic_field",
                      "query": "quiet home 2 bedroom in Pinewood"
                    }
                  }
                }
              },
              {
                "standard": {
                  "query": {
                    "multi_match": {
                      "query": "quiet home 2 bedroom in Pinewood",
                      "fields": ["title", "description"]
                    }
                  }
                }
              }
            ],
            "rank_window_size": 50,
            "rank_constant": 20
          }
        }
      },
      "ratings": [
        {
          "_index": "properties-hybrid",
          "_id": "5",
          "rating": 1
        }
      ]
    },
    {
      "id": "lexical_search",
      "request": {
        "query": {
          "multi_match": {
            "query": "quiet home 2 bedroom in Pinewood",
            "fields": ["title", "description"]
          }
        }
      },
      "ratings": [
        {
          "_index": "properties-hybrid",
          "_id": "5",
          "rating": 1
        }
      ]
    },
    {
      "id": "semantic_search",
      "request": {
        "query": {
          "semantic": {
            "field": "semantic_field",
            "query": "quiet home 2 bedroom in Pinewood"
          }
        }
      },
      "ratings": [
        {
          "_index": "properties-hybrid",
          "_id": "5",
          "rating": 1
        }
      ]
    }
  ],
  "metric": {
    "mean_reciprocal_rank": {
      "k": 20,
      "relevant_rating_threshold": 1
    }
  }
}

5.2 评估指标深度解析

1. MRR指标核心逻辑：

   • 对于单相关文档的场景（本文只有_id=5为完全相关文档），MRR得分 = 1 / 第一个相关文档在结果中的排名。

   • 示例：相关文档排第1位，MRR=1/1=1.0（满分）；排第2位，MRR=1/2=0.5；前20位无相关文档，MRR=0。

   • 参数k=20：只评估前20条结果，符合用户检索的实际场景（用户通常只看前几页结果）。

2. 评估结果汇总

搜索方案	MRR得分	目标文档排名	核心问题
混合搜索	1.0（满分）	第1位	无，完全符合需求
纯词法搜索	0.5	第2位	无法理解语义需求，结果不符合"安静"要求
纯语义搜索	0.5	第2位	精确匹配能力不足，结果不符合"2居室"要求

1. 其他可选评估指标补充：

   • Precision@k：前k条结果中相关文档的占比，适合多相关文档的场景。

   • NDCG@k：归一化折损累计增益，适合对相关文档分等级的场景，可区分不同相关度的文档。

   • Recall@k：前k条结果中召回的相关文档占全量相关文档的比例，适合衡量召回能力。

---

六、ES 9.3.0混合搜索生产级最佳实践

6.1 核心结论

1. 纯词法搜索：适用于用户知晓精确关键词的场景，比如SKU、编号、技术手册关键词、专有名词等，字面匹配精度高、性能强，但无法理解语义概念。

2. 纯语义搜索：适用于用户检索概念、想法、模糊需求的场景，比如问答、推荐、语义匹配等，可召回字面不匹配但概念相关的文档，但精确匹配能力弱。

3. 混合搜索：适用于同时需要精确关键词匹配和上下文语义理解的复杂查询场景，通过RRF算法融合二者优势，大幅提升检索的准确率和相关性，是ES 9.3.0中复杂检索场景的最优方案。

6.2 ES 9.3.0混合搜索生产级最佳实践

1. 先过滤，后检索（核心优化）

对于固定的精确筛选条件（比如片区、居室数、价格区间等），优先使用filter过滤，再进行词法和语义搜索，大幅减少参与检索的文档数量，既提升精度，又降低性能开销。示例优化DSL：

# 生产级优化：先filter过滤精确条件，再做混合搜索
GET properties-hybrid/_search
{
  "retriever": {
    "rrf": {
      "retrievers": [
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {"term": {"neighborhood": "Pinewood"}},
                  {"term": {"bedrooms": 2}}
                ],
                "must": [
                  {
                    "semantic": {
                      "field": "semantic_field",
                      "query": "quiet home"
                    }
                  }
                ]
              }
            }
          }
        },
        {
          "standard": {
            "query": {
              "bool": {
                "filter": [
                  {"term": {"neighborhood": "Pinewood"}},
                  {"term": {"bedrooms": 2}}
                ],
                "must": [
                  {
                    "multi_match": {
                      "query": "quiet home",
                      "fields": ["title", "description"]
                    }
                  }
                ]
              }
            }
          }
        }
      ],
      "rank_window_size": 100,
      "rank_constant": 60
    }
  }
}

1. RRF参数调优 ：生产环境建议rank_constant设置为60（ES默认值），rank_window_size设置为100-200，根据数据量和查询并发调整，平衡召回率和性能。

2. 字段权重优化：对核心字段（比如标题、商品名称）设置boost权重，提升业务优先级高的字段的匹配权重。

3. 模型选型：英文场景优先使用ELSER v2稀疏向量模型，中文场景推荐使用bge-m3、multilingual-e5等多语言稠密向量模型，ES 9.3.0原生支持。

4. 性能优化：

   • 写入时：批量写入文档，减少模型推理的次数，提升吞吐量。

   • 查询时：对语义查询设置size参数，限制返回结果数，降低RRF融合的计算开销；高并发场景可开启ES的查询缓存。

5. 效果迭代 ：通过_rank_eval API持续评估检索效果，基于用户行为数据优化查询方案、模型、字段权重，持续提升检索准确率。

---

七、常见问题（Q&A）

1. 什么是混合搜索？

混合搜索是一种融合多种检索方式的技术，本文特指融合传统词法关键词匹配和语义向量检索的检索方案。

1. 什么时候应该使用词法搜索？

当用户知晓查询内容的精确关键词、专有名词、编号等字面信息时，词法搜索是最优选择，匹配精度高、性能强。

1. 什么时候应该使用语义搜索？

当用户检索的是概念、想法、模糊需求，而非文档中明确出现的字面关键词时，语义搜索可实现概念级匹配，召回相关结果。

1. 什么时候应该优先使用混合搜索，而非单独的词法/语义搜索？

当查询场景同时需要精确关键词匹配和上下文语义理解时，应优先使用混合搜索。该方案可同时提升检索的准确率和相关性，完美适配复杂查询和多样化的内容类型。

ES 9.3.0生产环境高频补充Q&A

1. RRF融合和线性加权融合有什么区别？

线性加权需要对词法搜索和语义搜索的分数做归一化，人工调整权重，适配成本高，泛化性差；RRF无需关注分数量级，只基于排名融合，开箱即用，泛化性强，是ES官方推荐的混合搜索方案。

1. semantic_text字段和dense_vector字段有什么区别？

semantic_text是ES封装的高阶语义字段，自动完成模型推理、向量生成、存储、检索，无需用户手动处理向量；dense_vector是底层向量字段，需要用户手动调用模型生成向量，写入和查询都需要手动处理向量数据，灵活性更高，但开发成本更高。

1. ELSER模型支持中文吗？

ELSER是专为英文检索优化的模型，不支持中文；中文场景推荐使用bge系列、multilingual-e5等多语言模型，ES 9.3.0原生支持这些模型的推理和检索。

1. 混合搜索的性能开销比单模式搜索高多少？

混合搜索需要执行两次查询（词法+语义），再做RRF融合，性能开销约为单模式搜索的1.5-2倍；通过先filter后检索、优化rank_window_size、开启缓存等优化，可将性能开销控制在可接受范围内，生产环境高并发场景完全可用。

1. ES 9.3.0的混合搜索支持多模态检索吗？

支持，ES 9.3.0原生支持图片、文本等多模态向量的检索，可通过混合搜索融合文本关键词匹配、文本语义检索、图片向量检索等多种模式，实现多模态混合搜索。