用 ES|QL 做搜索从过滤到相关性、再到语义与混合检索
一、过滤 vs. 搜索
- 过滤（filtering）：只决定“是否匹配”，不算分，速度快，适合精确条件/范围/布尔逻辑。
- 搜索（searching）：先过滤，再按相关性给结果打分与排序；会用到分词、同义词、模糊等文本分析。
在 ES|QL 中，是否“按相关性排序”由你显式决定：加METADATA _score开启评分，并用SORT _score DESC才会看到“最相关在前”。否则即便用了MATCH这类函数，也只是过滤不排序。(Elastic)
二、版本时间线（速查）
| 能力 | 说明 | 首次提供 |
|---|---|---|
MATCH / : | 基础全文匹配（函数与冒号运算符两种写法） | 8.17 (Elastic) |
QSTR() | Query String 语法的函数版 | 8.17 (Elastic) |
| 相关性评分 | METADATA _score + SORT _score | 8.18/9.0 (Elastic) |
| 语义检索 | 在 semantic_text 字段上使用搜索函数 | 8.18/9.0 (Elastic) |
| 混合检索 | 词法 + 语义，自定义权重 | 8.18/9.0 (Elastic) |
KQL() | 在 ES|QL 里复用 Kibana Query Language | 8.18/9.0 (Elastic) |
MATCH_PHRASE() | 等价 DSL 的 match_phrase | 8.19/9.1 (Elastic) |
参考：Elastic 官方“ES|QL for search”与发布/实验室文章。(Elastic)
三、写法速通：最常用 6 种
约定：
FROM index开头，WHERE里放条件，LIMIT控制条数。
A. 基础全文匹配（MATCH / :）
FROM my_index METADATA _score
| WHERE MATCH(content, "quick brown fox")
| SORT _score DESC
| LIMIT 10
-- 等价简写：
-- FROM my_index METADATA _score | WHERE content : "quick brown fox" | SORT _score DESC | LIMIT 10
评分与排序靠 _score 启用与降序排序。(Elastic)
B. 短语匹配（MATCH_PHRASE）
FROM articles METADATA _score
| WHERE MATCH_PHRASE(title, "open source license")
| SORT _score DESC
等价于 DSL 的 match_phrase。(Elastic)
C. Query String（QSTR()）
FROM docs METADATA _score
| WHERE QSTR('title:(golang OR "go lang") AND -status:archived')
| SORT _score DESC
保留 DSL query_string 的复杂表达力（通配、布尔、多字段）。(Elastic)
D. KQL（KQL()）
FROM logs METADATA _score
| WHERE KQL('status.code >= 500 and service.name : "api*"')
| SORT _score DESC
便于从 Kibana 迁移查询到 ES|QL。(Elastic)
E. 语义检索（semantic_text）
FROM knowledge_base METADATA _score
| WHERE MATCH(semantic_body, "how to reset a lost password?")
| SORT _score DESC
| LIMIT 5
把字段映射为 semantic_text 后，即可用与全文一致的写法执行语义检索；嵌入生成与切分由后端托管。(Elastic)
F. 混合检索（语义 + 词法，权重可配）
FROM cooking_blog METADATA _score
| WHERE MATCH(semantic_description, "easy vegetarian meals", { "boost": 0.75 })OR MATCH(tags, "vegetarian", { "boost": 0.25 })
| SORT _score DESC
| LIMIT 5
实战里可做线性加权或 RRF 等融合策略，这里展示线性权重。(Elastic)
四、何时选“过滤”，何时选“搜索”？
选过滤（快）：精确类目（category.keyword="Electronics"）、时间/数值范围、布尔组合、你只关心“全匹配集合”。
选搜索（准）：自然语言查询、需要“最佳命中在前”、需要分词/同义词/模糊。
在 ES|QL 里，同一条语句可以先 WHERE 做过滤，再 MATCH 搜索并按 _score 排序，做到“先粗后精”。(Elastic)
五、与 Query DSL 的关系与迁移建议
- 多数 DSL 搜索能力在 ES|QL 里都有“函数等价物”：
match→MATCH()/:、match_phrase→MATCH_PHRASE()、query_string→QSTR()、Kibana 查询→KQL()。(Elastic) - 迁移时先等价替换，再显式加上
METADATA _score | SORT _score DESC才能得到相关性排序。(Elastic) - 需要纯 DSL 的语义查询（
semanticquery）也可用在 DSL；而在 ES|QL 里，建议直接用semantic_text+MATCH/混合检索。(Elastic)
六、语义与混合检索的工程要点
semantic_text映射：自动做嵌入生成与长文本切分，显著简化管线（无需手写推理 pipeline）。(Elastic)- 混合策略：线性加权（如上示例）简单直观；RRF 等融合也常见，适合跨模态/跨通道的结果合并。(Elastic)
- 可观测与韧性：8.19/9.1 增强了 ES|QL 的可观测与容错能力，适合在大规模查询中落地。(Elastic)
七、常见坑位
- 忘了
_score：没写METADATA _score+SORT _score DESC时，哪怕用了MATCH/QSTR，也只是在过滤。(Elastic) - 多值字段：ES|QL 的搜索函数天然支持多值字段（如 tags 列表），比早期的“按 keyword 过滤”更合适。(Elastic)
- 语义召回期望过高：
semantic_text默认行为很强，但质量仍依赖底层模型与数据域；必要时结合混合检索稳住查全率。(Elastic)
如果你给出当前索引 mapping（尤其是文本字段与是否要做语义），我可以按你的业务场景，直接产出可执行的 ES|QL 查询模板（过滤+搜索+排序+混合权重）以及一套AB 对比的评估指标方案。