作者：阿里云计算平台AI搜索产品负责人 汤祯捷
2026 年云栖大会，成为过去十年最为火爆的科技盛会。而在 AI 搜索分论坛上，一个共识被反复提及：AI大模型解决了"理解与生成"，但没有解决"在正确的时刻搜索到正确的信息"。
当 Agent 从单轮问答走向长任务执行，搜索的角色发生了根本变化------它不再是一个供人浏览的结果页，而是 Agent 上下文工程的供给系统。上下文是否准确、完整、可溯源，直接决定 Agent 后续的推理与行动质量。
围绕这一变化，阿里云 AI Search 产品线在本届云栖大会集中发布两条主线产品能力：
| 主线 | 产品 | 一句话定位 |
|---|---|---|
| 新引擎 | 阿里云 Elasticsearch | 成为 AI 时代 Agent 上下文的搜索基础设施 |
| 新范式 | 阿里云 OpenSearch-AgenticSearch | 定义 AI 搜索时代的信息检索新范式 |
两者一底一顶：阿里云Elasticsearch 可提供可承载亿级租户、千亿向量的上下文存储与检索底座；阿里云OpenSearch - AgenticSearch 在其上构建可运行、可记忆、可治理、可持续进化的AI搜索智能体生态。
为什么 Agent 需要一套新的搜索基础设施
在 Agentic Coding、企业知识问答、Agent 记忆等场景中，检索的目标不是"塞入更多代码或文档"，而是在有限 Token 预算内找到完成任务所需的最小充分上下文。这给搜索引擎带来了三个与传统企业搜索完全不同的约束：
约束一：租户规模从"千级索引"跃升到"亿级业务空间"。 一个 AI Coding 平台要为数百万代码库分别提供隔离检索；一个企业知识库产品要为数百万 Agent 分别维护记忆空间。传统"一个租户一个索引"的建模方式在此彻底失效。
约束二：数据冷热分布极端化。 活跃工作区需要持续、低延迟地获取上下文；海量低频代码库与沉睡 Agent 记忆则需要低成本长期保存，并在再次访问时及时响应。为冷数据长期占用高性能介质，在商业上不可持续。
约束三：成本与延迟同时敏感。 检索会贯穿一次开发任务的多轮交互，单次查询的延迟与成本会被交互轮次放大，直接影响整体体验与服务毛利。
阿里云 Elasticsearch 本届云栖发布的 ES Agent 引擎版，以及围绕它的自研内核、存算分离、湖上检索、日志全链路四项引擎能力，正是对上述三个约束的系统性回答。
ES Agent 引擎版产品发布：面向 Agent 的下一代搜索引擎
产品定位
面向 RAG检索增强、AI Coding、Agent 记忆与多租户搜索 场景的云原生搜索引擎。基于对象存储的无状态多租户搜索方案，支持全文与向量混合检索，可扩展至亿级租户、千亿级向量，成本只与活跃数据线性相关，并完全兼容 Elasticsearch 生态。
核心架构：云原生存算分离 + 读写分离
引擎将索引数据、写入日志与集群状态统一保存在对象存储（OpenStore）中，持久性不低于 11 个 9，计算节点无本地持久状态。计算层拆分为两类可独立扩缩的节点：
| 节点类型 | 职责 | 独立扩缩价值 |
|---|---|---|
| Index 节点 | 文档写入、Translog 持久化、索引构建、后台合并 | 写入洪峰不影响在线查询 |
| Search 节点 | 全文/向量/过滤/聚合查询，本地磁盘作缓存 | 查询扩容无需搬迁数据 |
由此带来三项工程收益：写入与查询资源互不干扰地独立扩展 ；节点故障秒级恢复 ------新节点直接从对象存储恢复，无需完整数据搬迁；按需缓存------热数据本地缓存毫秒级响应，冷数据按需从对象存储加载，非活跃数据不再产生计算成本。
Collection / Slice：亿级业务空间的统一抽象
这是 Agent 引擎版最关键的建模创新：
-
Collection（集合）：应用访问数据的统一入口，角色类似传统 ES 的 Index Name。
-
Slice（切片）：Collection 内的逻辑数据空间，每个 Slice 代表一个独立业务单元------一个知识库、一个代码仓库、一个 Agent，或一个租户。
读写时指定 Collection 名称并通过 Slice 标识业务空间，底层索引与分片由平台自动管理，应用无需维护底层索引名称。其带来的直接效果是：
-
全局规模不成为单次查询负担------查询限定在目标 Slice 内，只触达当前业务空间的数据；
-
成本天然隔离------单租户查询成本仅取决于其自身活跃数据量，沉睡租户不消耗计算与缓存资源，仅产生对象存储费用；
-
亿级 Slice 统一管理------应用无需为每个租户单独创建索引或维护表结构。
DiskBBQ：基于磁盘原生向量索引
Agent 引擎版采用 DiskBBQ 作为向量检索算法，通过分层 K-means 聚簇 + BBQ 量化，实现 IO 可预测的 kNN 查询：
-
内存友好：不要求向量常驻内存，天然适配 SSD 缓存与对象存储分层；
-
构建更快：相比 HNSW，索引构建速度提升约一个数量级；
-
退化平滑：在内存受限时性能平滑退化，而非断崖式下跌------这是大规模多租户场景下可用性的关键。
售卖形态与兼容性
完整兼容 Elasticsearch 生态：REST API、Query DSL、kNN、过滤与聚合，支持官方 Python / Java / Go / JS 客户端及 Kibana。计费采用Elasticsearch PaaS 模式，计算与存储解耦：
| 计费项 | 方式 |
|---|---|
| 计算 | Search 节点 + Index 节点 + 缓存盘，按实例规格与节点数量计费 |
| 存储 | 对象存储（OpenStore）按量付费，0.15 元/GB/月，无需预配容量 |
适用应用场景
| 场景 | 建议的 Slice 划分 | 核心价值 |
|---|---|---|
| 企业知识库与 RAG | 每个知识库一个 Slice | 一个 Collection 统一管理亿级知识库；活跃库毫秒响应，沉睡库仅产生存储费 |
| AI Coding 与代码搜索 | 每个代码仓库/项目一个 Slice | 代码提交后秒级可搜索；开发者实时检索不受批量写入影响 |
| Agent 记忆 | 按租户、Agent 或记忆空间划分 Slice | 实时写入即可查；大量沉睡 Agent 记忆不消耗计算与缓存 |
| 多租户搜索服务 | 每个租户一个 Slice | 平台管理底层索引，租户数据物理聚簇，成本按租户自洽 |
该产品尤其适合企业客户AI应用场景：法律、金融、医疗等垂域头部知识库，AI Coding 代码检索，超大型企业内部文档检索------数据量足够大、租户数量足够多、数据天然带冷热的场景，是 Agent 引擎版价值最大化的区间。
FalconSeek 2.0：自研 C++ Native 全栈检索内核，性能提升 600+%
问题背景
当数据规模飙升至千亿级、并发达到高 QPS 时，传统Java JVM 查询链路的执行开销会不断放大，逐渐成为系统性能瓶颈。FalconSeek 通过 C++ Native 内核接管查询执行、重构公共热路径，精准攻克这一瓶颈。
设计思路：不替换 ES，而是下沉热路径
FalconSeek 是专为加速查询与千亿向量检索而生的云原生C++引擎内核。它的核心思路不是替换 Elasticsearch，而是 在完整保留 ES 兼容入口的前提下，将查询热路径下沉到阿里自研的高性能 C Native 检索内核 ------包括倒排遍历、列式读取、排序聚合与向量召回。
这一设计选择的意义在于：客户无需重写查询、无需更换客户端、无需重构生态，即可获得数量级的性能跃迁。
产品优势
-
极速检索性能：查询执行大幅提速，直接缩短响应时间并提升吞吐量；
-
极致降本：单位请求消耗的 CPU 与临时内存开销显著减少，释放巨大规格优化空间；
-
极高稳定性：查询线程占用、GC 干扰及长尾抖动（P99）全面下降，高峰期服务稳如磐石。
这些优化不仅缩短延迟，更直接转化为降本红利：在满足相同 QPS 目标下，集群可缩减节点数量或降低规格；在资源不变时，则可承载数倍并发。
适用应用场景
| 场景 | 典型负载 | 优化效果 |
|---|---|---|
| 高频轻量过滤 | Term / Filter / Count | 节省大量 CPU 算力，降低高 QPS 下的耗时 |
| 在线复杂检索 | Range / 排序 / 分页 | 极速扫描，消除高并发下的查询排队 |
| 高基数聚合 | Terms / Composite | 批量读取 DocValues，极大减轻 JVM 压力 |
| 超大规模向量检索 | kNN 召回 | Native 索引配合聚类选路，加速千亿向量召回 |
标杆案例：头部大模型平台应用ES - 900 亿向量全量查询，QPS 3000+，单查询秒级返回，支持 10 万聚类的分类查询。
Lake Search on DLF湖仓搜索：ES × Paimon 在离线一体湖上检索
问题背景
当图片、视频、文本和向量在 Apache Paimon 中增长到 PB 级，传统"同步到湖外再建索引"的方式会让搜索面临三重困境：数据就绪慢、事实数据成本高、版本治理复杂。
产品方案
阿里云 Elasticsearch 9.4 Lake Search 直接挂载与 Paimon 表版本关联的 Global Index ，在不复制事实数据 的前提下，提供 BM25、kNN、结构化过滤、排序与聚合能力，实现高性价比的 Paimon × Elasticsearch 湖仓检索------从"原始数据共享"进化到"索引共享"。
该方案已与 EMR Spark → Paimon → Elasticsearch 的完整链路打通并提供端到端 Demo，性能对比对象为 主流开源方案, Paimon Vector + StarRocks 以及 Milvus等。
OpenStore 存算分离 + Serverless 弹性：变更更快、迁移更稳、资源更省
从存算一体到存算分离，阿里云 Elasticsearch 采用同一套存储架构 OpenStore，针对日志与检索场景分别以 OSS / DFS 作为底层支持。结合智能多级缓存，实现资源池化、Serverless 弹性与存算分离。
本届云栖发布 Serverless 弹性扩缩容能力，包含两种形态：
-
分时弹性扩缩容：按可预期的业务波峰波谷定时扩缩，适合有明确潮汐规律的检索与日志业务；
-
自动弹性扩缩容：按实时负载自动扩缩，适合流量不可预测的在线业务。
产品优势 ：资源池化、Serverless 弹性、存算分离后，结合 FalconSeek 实现相比用户自建 30% 以上的资源节约。
标杆案例 ：DFS 场景互联网头部客户应用，变更速度提升 100 倍，存储降本 40%。
日志检索端到端解决方案：面向 Agent 的可观测建设
阿里云 Elasticsearch 新版本推出日志采集与加工服务，将多源接入、流量缓冲、数据加工与可靠投递整合为云上托管能力，并与已有的写入优化、低成本存储、高性能查询能力形成完整链路。
端到端方案覆盖三段：
-
采集：OTel 标准化采集，多源统一接入；
-
引擎：高性价比读写存算分离引擎，承载海量日志的写入与检索；
-
消费 ：面向 Agent 的可观测建设------让日志与可观测数据成为 Agent 可检索、可推理的上下文来源，而非仅供人查看的仪表盘。
第三段是本届发布的重点方向：使用ES Agent 可智能运维完成告警根因定位、容量规划与慢查询优化时，可观测数据的检索质量直接决定诊断质量。
ES AI 新特性发布
ES AI领域 首先全新发布 Agentic ES + Agentic Context 产品组合，我们希望让企业知识与经验，成为 Agent 可持续复用的能力。企业已经积累了大量文档、数据和工作方法，但要让 Agent在真实业务中持续使用这些资产，还需要把可扩展的检索基础设施，与上下文的组织、维护和供给连接起来。
Agentic ES 是 Agent引擎版的产品扩展形态，面向 Agent 提供检索基础设施，通过 Collection 统一接入，使用 Slice 划分业务空间；在存算分离架构下，用 OSS 做持久存储，用内存和 SSD 缓存热点。同时，全文、向量和结构化查询，以及原生权限，为上层按业务需要获取信息提供支撑。这里介绍的是能力分工，不把某个客户案例的性能或成本结果扩展为所有场景的承诺。
AgenticContext是基于Elasticsearch企业上下文引擎。它统一组织知识库、记忆、技能和智能语义，根据当前任务选路，通过多路召回和融合重排供给上下文。记忆沉淀事实、偏好与经历，技能沉淀可复用的行动方法，两类资产承担不同职责。来源、版本与权限帮助使用者核对依据，并在授权范围内复用企业经验。
Agentic ES 检索底座可支撑海量Agent上下文的获取，Context上下文引擎组织与供给信息，Agent 在任务中使用，并将反馈带回校准、评测和资产维护。通过 Plugin、Skill、MCP 或 REST API接入，这个组合把一次任务的知识使用，与后续任务的经验复用连接起来。
ES AI领域的另一个发布是阿里云 ES Agent智能助手，把集群健康巡检、故障诊断、性能优化和使用咨询放到统一的自然语言交互入口中。可以应用于四个场景对应用户最常见的运维需求，这些能力如何由集群信息、模型分析和运维经验共同支撑。
从底部的探测层向上看。Elasticsearch Agent 支持获取日志、配置、监控、事件和告警构成分析所需的运行信息。分析层连接 AI 搜索开放平台、阿里云百炼平台以及自定义和其他模型，为诊断提供分析能力。既包含平台，也包含模型，分别承担接入与分析支撑的角色。洞察层进一步把分析组织成诊断任务。Agents负责任务编排，Tools 提供指标采集、日志检索和 MCP 调用，Skills则承载沉淀下来的运维经验与标准流程。三者结合，使诊断过程能够围绕具体问题调用工具，并参考已有的方法与经验，而不是只给出一段通用解释。
生产级落地实践：Qoder × 阿里云 Elasticsearch 深度应用
云栖大会分享 Qoder × Elasticsearch 的最佳实践。Agentic ES 作为面向代码检索、企业知识库与智能体记忆，构建多租户 AI 搜索底座。依托 OSS 存储、冷租户零常驻和读写独立扩缩容，承载亿级租户、千亿向量，支持秒级更新、全文与向量混合检索，兼容 ES API。按图示同等负载口径，综合成本降至对比方案的 1/7，热查询 P99 为 60ms，兼顾大规模检索的成本、性能与实时性。
阿里云AI搜索产品Elasticsearch云栖发布
| 时间 | 产品分类 | 核心能力 | 版本支持 | 官网文档材料 |
|---|---|---|---|---|
| 新引擎 | 阿里云 Elasticsearch | ES Agent 引擎版 | Agent 引擎版 9.x 版本 | * ES Agent 引擎版 · 功能概述 * ES Agent 引擎版 · 使用指南 |
| FalconSeek 2.0 全栈自研引擎 | 9.4 / 8.17 | * 使用 FalconSeek 云原生内核加速 Elasticsearch 查询 * FalconSeek 向量索引使用指南 | ||
| OpenStore存算分离+弹性扩缩容 | 9.4 / 8.17 | * OpenStore存算分离 * 弹性扩缩容 | ||
| Lake Search湖仓搜索 | 9.4 | 使用 Elasticsearch 查询 Paimon 湖表数据（Lake Search） | ||
| 日志检索端到端解决方案 | 全系列 | 日志采集与加工服务 | ||
| ES + AI：ES Agent智能助手 | 全系列 | ES Agent智能助手 | ||
| ES + AI：ES 知识引擎/上下文引擎 | 9.4 / 8.17 | 企业知识引擎 | ||
| ES + AI：ES 多模态搜索 | 9.4 / 8.17 | ES多模态搜索 | ||
| AWS OpenSearch迁移至阿里云Elasticsearch | 全系列 | 从 AWS OpenSearch 迁移索引至阿里云 Elasticsearch | ||
| 阿里云 Elasticsearch 行业最佳实践 | Qoder x Elasticsearch 最佳实践 | Agent 引擎版 9.x 版本 | 云栖实录｜从代码上下文到千亿级文档：Qoder × 阿里云 Elasticsearch 落地生产级Agent向量检索 | |
| ES AgentBuilder - RAG检索增强 / 知识库构建 | 9.4 / 8.17 | AI Search × ES Agent Builder 最佳实践：企业智能助手落地指南 |