本文介绍了两种使用OpenTelemetry收集Tomcat JMX指标的方法：1) 使用Javaagent在JVM内部收集，适合可修改JVM参数的环境；2) 使用jmx-scraper进行进程外收集，适用于无法安装agent的场景。两种方法都支持通过logging exporter验证指标后，配置OTLP端点将数据发送到Collector。文章详细说明了每种方法的配置步骤，包括下载agent、设

澳大利亚2026年搜索研究报告显示，72%的消费者因网站搜索体验不佳而放弃品牌，62%要求具备自然语言搜索能力。78%的用户在搜索受挫后会转向竞争对手，11%甚至一次失败就永久弃用品牌。随着生成式AI普及，消费者对搜索体验的期望大幅提升，60%会将搜索结果不相关的品牌视为技术落后。研究表明，优化AI驱动的搜索功能已成为企业防止客户流失、保持竞争力的关键。

Elastic推出扩展版推理服务(EIS)，新增多款AI模型支持，包括Anthropic Claude、Google Gemini和OpenAI GPT系列等。该服务允许开发者在检索、生成等不同任务中灵活选择最优模型，无需管理GPU基础设施。通过Agent Builder工具，用户可构建生产级AI代理，实现自动数据摄取、威胁检测等功能。EIS支持多模型协同工作，如让轻量级模型处理简单查询，强大模型

摘要： 尽管大型语言模型（LLMs）和新兴协议（如MCP）提供了实时数据访问能力，但搜索引擎和索引搜索仍然是企业级AI的核心基础。MCP仅规范数据请求，而搜索平台通过查询智能、语义理解、权限控制等功能提升检索质量。联合搜索存在延迟、相关性分散等问题，而索引搜索（如Elasticsearch）通过高效数据结构、知识图谱和高级检索技术（如HyDE）提供精准、快速的上下文。RAG工作流证明，先过滤再推理

在我开始接触 Elasticsearch 时，我也有疑问：那就是 Elasticsearch 和 MongoDB 两个都是以 NoSQL 形式来管理数据库的，那么它们之间到底是有什么区别呢？根据 DB-Engine 的报告，Elasticsearch 在搜索领域排名第一，遥遥领先于其它的数据库：而在数据库管理方面，MongoDB 比 Elasticsearch 更为普及：在今天的文章中，我们来讲述

本文介绍了使用Elasticsearch构建实体解析管道时，通过OpenAI函数调用优化LLM集成的关键改进。相比基于提示词的JSON生成方法，函数调用提供了结构化输出API，完全消除了JSON解析错误（错误率从30.2%降至0%），显著提升了匹配性能：准确率提高6.5个百分点至90.3%，召回率提升28.2个百分点至90.8%。该方法采用最小化模式设计原则，既降低了token使用成本，又增强了系

Jina-VLM是一款2.4B参数的视觉语言模型，在多语言视觉问答(VQA)任务中达到SOTA水平。该模型创新性地采用attention-pooling连接器，将视觉tokens减少4倍，同时保持性能，使其可在消费级硬件运行。通过两阶段训练流程，模型在29种语言中表现出色，并避免了纯文本能力的灾难性遗忘。目前支持通过API、CLI和Transformers库使用，但存在tiling开销和多图像推理

本教程介绍如何设置Elasticsearch网络爬虫，将网站索引到Elasticsearch中，然后利用ChatGPT使用我们的私人数据来总结对其提出的问题。了解如何使用Elasticsearch作为ChatGPT的私有数据存储。

在我之前的文章：Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation。​​​​​我详细地描述了如何使用 LangChain 及 OpenAI 进行向量搜索及 RAG。在那篇文章中，它没有用户界面。在今天的文章中，我将展示如何使用 OpenAI 来把数据进行向量化（不是使用 Elastic Stack

​世界正在转型，人工智能，尤其是 agentic AI，正在迅速嵌入私营和公共部门。对于政府机构、执法部门以及关键任务组织来说，拥抱这一新现实具有独特的挑战。一方面，agentic AI 承诺带来可衡量的改进：现代化 IT 工作流程、更快的分析、改进的公民服务和运营效率。但监管约束、合规要求和数据安全问题通常会在 AI 采用上造成犹豫。现在，agentic AI 可以帮助公共部门组织加速关键任务决