传统的词汇搜索不能满足当今时代的需求，特别是在这个智能的时代。当今企业需要能够理解人类意图的语义搜索，也就是根据文字的语义来进行搜索，而不是简单的词汇匹配。另外，我们也需要针对其它的数据类型，比如图片，语音及视频等来进行搜索。

Elasticsearch 自 8.0 开始提供向量搜索（密集向量及稀疏向量），它可以完美地解决文字语义搜索及对多媒体数据的搜索。此外，向量搜索也并非完美，在很多时候也缺乏可解释性，特别是针对文字搜索。我们可以使用混合搜索（词汇搜索，向量搜索）进行多路召回并对最终结果进行排名。这种方法大大提高了搜索的精度及召回率。

随着 Elasticsearch 版本的不断演进，性能不断完善，并且使向量搜索的成本不断降低。目前，Elasticsearch 可以为百亿级数据提供生产级的部署。在人工智能发展的今天，结合大模型，使用 GenAI 可以让我们得到完美的推理答案。

由于企业数据或私有数据在每时每刻都在生成，大模型也不可能每时每刻更新。大模型在缺乏上下文的情况下进行推理，在很多的时候会产生幻觉，因为这些知识不存在于大模型中。结合 Elasticsearch 的向量搜索技术针对企业数据或私有数据进行搜索，把搜索结果作为上下文提供给大模型，从而消除幻觉。这种技术也被称作为 RAG（检索增强生成）。

本议题将详细介绍 Elasticsearch 的向量搜索技术，技术更新及如何使用它进行 RAG 的应用开发，并展示如何超越传统的 RAG。

演讲提纲：

1. 智能时代的搜索需求

1. 对语义搜索的需求，而不是简单的词汇匹配

2. 对多媒体数据的搜索，比如图片，声音及视频

3. 非结构化数据的搜索

4. 向量搜索带来的新的解决方案

2. Elasticsearch 向量搜索介绍

1. 向量搜索原理

2. 向量搜索种类（密集向量，稀疏向量）

3. 混合搜索介绍（多路召回，综合评分）

4. Elasticsearch 在向量搜索上的最新进展

3. RAG 实现原理

1. 如何使得大模型变得更聪明

2. RAG 的实现方法

4. 使用 Elasticsearch 在企业搜索中的案例分享

1. 高级 RAG 案例分享

2. Agentic RAG 案例分享

• 开发者充分了解 Elastic 所提供的向量搜索（密集向量及稀疏向量）

• 如何使用向量搜索及传统搜索来提高搜索的召回率及精度

• 展示 Elasticsearch 在向量搜索方面的最新更新以及 RAG 在企业搜索应用的的实现

• 图搜索，目前的基础的 RAG 不能解决个体直接的关系

• 如何实现超出知识库之外的知识搜索

• 大模型的安全问题