这是一系列博客文章中的第一篇，讨论如何在更好地理解 BEIR 基准的背景下考虑评估你自己的搜索系统。我们将介绍具体的技巧和技术，以便在更好地理解 BEIR 的背景下改进你的搜索评估流程。我们还将介绍导致评估可靠性降低的常见陷阱。最后，我们注意到 LLM 为搜索工程师提供了一个强大的新工具，我们将通过示例展示如何使用它们来帮助评估搜索。

从 Elasticsearch 8.13 开始，我们提供了原生集成到 Elasticsearch 中的学习排名 (learning to rank - LTR) 实现。LTR 使用经过训练的机器学习 (ML) 模型为你的搜索引擎构建排名功能。通常，该模型用作第二阶段重新排名器，以提高由更简单的第一阶段检索算法返回的搜索结果的相关性。这篇博文将解释此新功能如何帮助提高文本搜索中的文档排名以及如何在

使用 semantic_text 新功能，并使用 AWS Bedrock 作为推理端点服务。Elasticsearch 的新类型旨在简化构建 RAG 应用程序的常见挑战。它整合了文本分块、生成嵌入以及检索嵌入的步骤。在本文中，我们将使用 Amazon Bedrock 作为我们的推理服务，在不离开 Elastic 的情况下创建一个端到端 RAG 应用程序。

Node.js ECS 记录器是你最喜欢的日志库的格式化插件。它们可轻松将你的日志格式化为与 ECS 兼容的 JSON。结合 filebeat，你可以将日志直接发送到 Elasticsearch，并利用 Kibana 的日志应用程序在一个地方检查所有日志。Node.js ECS 日志格式化程序记录结构化的 JSON，并支持对来自 Node.js 核心和流行 Web 框架的错误对象和 HTTP 请求

多年来，Elastic 已经经历了几次 Crawler 迭代。最初是，后来发展成为，最近又发展成为。这些 Crawler 功能丰富，允许以稳健而细致的方式将网站数据导入 Elasticsearch。但是，如果用户想在自己的基础设施上运行这些 Crawler，他们也需要运行整个企业搜索。企业搜索代码库非常庞大，包含许多不同的工具，因此用户无法选择只运行 Crawler。由于企业搜索是私有代码，因此用

我们很高兴地宣布，Elasticsearch 现在在我们的开放 inference API 中支持，使开发人员能够将生成的嵌入存储到我们高度可扩展和高性能的向量数据库中。这一新功能进一步巩固了我们不仅致力于与 Microsoft 和 Azure 平台合作的承诺，而且还进一步巩固了我们为客户提供更灵活的 AI 解决方案的承诺。

我们知道在 Kibana 中，我们可以实现三种搜索DSL 搜索，你可以参照我之前的文章 “开始使用Elasticsearch （2）” 进行详细了解KQL 搜索，你可以参照我之前的文章 “Kibana: 如何使用 Search Bar”Lucene 搜索，你可以参照我之前的文章 “Kibana: 如何使用 Search Bar”在这三种搜索方法中，DSL 以及 Lucene 搜索可以支持模糊查询

使用嵌入计算查询的 kNN 有两种主要方法：精确和近似。 这篇文章将帮助你：了解什么是精确和近似 kNN 搜索 如何为这些方法准备索引 如何确定哪种方法最适合你的用例