一、简介 Elasticsearch在7.x版本中提供向量检索功能，其计算过程中会进行线性扫描以匹配所有文档。为优化查询效率，建议限制匹配文档数量，先用match query检索相关文档，再计算文档相关度。访问dense_vector字段时，推荐使用cosinessimilarity、dotProduct、1norm或l2norm函数，注意每个DSL脚本只能调用一次，避免在循环中重复调用。 二、实验前准备 1.1 创建索引设置向量字段 构建支持向量检索的映射，字段类型设置为dense_vector。 1.2 写入数据 完成数据录入。 三、向量计算函数 3.1 余弦相似度：cosineSimilarity 计算查询向量与文档向量间的余弦相似度。 若文档dense_vector字段与查询向量维度不一致，将抛出异常。 3.2 计算点积：dotProduct 计算查询向量与文档向量间的点积。 3.3 曼哈顿距离：l1norm 计算查询向量与文档向量间的L1距离（曼哈顿距离）。 3.4 欧几里得距离：l2norm 计算查询向量与文档向量间的L2距离（欧几里德距离）。 3.5 自定义计算函数 直接访问向量值，自定义实现向量余弦相似度计算。在ES 7.8.0版本开始支持doc[].vectorValue函数，ES 7.5.1或7.8.0以下版本将无法使用。