很多人第一次在 AI 项目里遇到 ElasticSearch，是从"我已经有 ES 集群了，能不能顺手把向量检索也做了"这个念头开始的。念头没错，但从"会写 DSL 查询"到"能跑通一次像样的向量召回"，中间隔着的不是一篇官方文档，而是几个具体到字段类型和参数取值的问题。这门主题课针对的就是这几个问题。

先说清楚：这门课不解决什么

它不教你 ElasticSearch 的安装部署、集群运维、分片调优，也不讲 BM25 打分公式怎么推导。如果你现在连索引、映射、文档这几个词都还对不上号，先补 ES 基础再来，否则第三节课开始会跟不上。

它同样不教你在 Python 里搭一套完整的 RAG 应用。课程聚焦在"ES 作为向量数据库"这一段：向量怎么存进去、怎么查出来、怎么和原有的文本检索凑到一起用。

这门课真正要补的三个缺口

缺口一：dense_vector 到底怎么定义

知道 ES 有向量字段类型，和能一次写对映射，是两件事。维度写多少、要不要开索引、similarity 选 cosine 还是 dot_product、index_options 里的不同取值各自意味着什么代价——这些参数选错，要么检索结果莫名其妙，要么写入时直接报错。课程会把这些取值讲成"什么场景选什么"，而不是罗列参数表。

缺口二：kNN 检索的两种写法

ES 里的向量检索有近似 kNN 和脚本打分两条路，写法和适用场景不一样。什么时候该用 knn 查询、num_candidates 该给多大、filter 怎么加进去才不拖慢速度，这些在真实项目里踩一次坑就记住了，但没必要非踩不可。

缺口三：向量召回和关键词召回怎么合

实际业务里很少纯靠向量。用户搜"怎么退订会员"，关键词能命中"退订"，向量能命中"取消订阅"，两条路的结果怎么排序、权重怎么调，是混合检索绕不开的环节。这也是 ES 相比专用向量库的一点便宜——文本和向量在同一次查询里就能组合。

配套练习建议这样安排

准备一个小规模数据集，几百到几千条即可，中文短文本最合适，不要用公开的大规模向量集，跑得慢还看不出差别。
先用 embedding 模型把文本转向量，落盘成 JSON，再写脚本批量灌进 ES。这一步的目的是把"维度对齐"这件事亲眼看一遍。
同一个查询词，分别用纯 kNN、纯 match 查询、混合查询各跑一次，把三组结果并排看。差异比讲解更能说明问题。
故意把 num_candidates 调到很小和很大各跑一次，记录召回结果和耗时的变化，建立对参数的直觉。

看完应该能回答的问题

你的业务数据如果已经有 ES，什么情况下值得直接用它做向量检索，什么情况下应该另起一个专用向量库？
dense_vector 字段的维度写错，会在哪个环节暴露出来？
同样是查"附近的向量"，knn 查询和 script_score 的差别在哪，什么时候不得不用后者？
混合检索里，如果关键词召回的结果明显更准，你在查询层面能怎么调？
向量索引是否需要像普通字段那样考虑 mapping 的更新成本？

这门课是短课，五节，适合已经写过 ES 查询、正在被向量检索卡住的人。如果你的项目里已经有一坨文本数据躺在 ES 里，又不想为了加个语义搜索另搭一套服务，那这几节课的内容基本就是你需要的那部分。反过来，如果你还没碰过 ES，建议先花时间把基础的增删改查和 mapping 写熟，再回来看向量部分，效率会高很多。