腾讯大厦Elastic2活动会2026年01月06日周六

一、会议基本信息

1. 时间：2026年01月10日（13点32分-17点48分）

2. 地点：腾讯大厦

3. 参会人员：刘晓国、Lou（新智锦秀Newmind的AI解决方案架构师）等多位讲师及现场参会者（含开发者、企业从业者、大学生、学术研究人员等）

4. 会议主题：Elastic相关产品技术分享、功能应用探讨及行业实践交流，涵盖安全测试、AI助手、向量搜索、RAG技术、MCP方案、数据存储架构、搜索模型等核心话题

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic开始

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic开始

二、会议主要内容

（一）安全测试与Elastic产品应用相关讨论

1. 安全测试机构与产品认可度：AV Comparatives是全球公认的权威安全测试机构，就像安全领域的“第三方裁判”，Intersight这款产品在该机构的多次测试中都排名靠前，和大家熟悉的卡巴斯基一样，都是靠谱的安全解决方案相关产品。值得一提的是，美国国防部的搜索业务都在使用Elastic产品，足以见得它的可靠性。

2. Elastic的收购背景：Elastic公司曾经收购了一家叫Endgame的公司，这家公司的产品解决方案质量检测通过率能达到90%以上，相当于给Elastic的产品实力又加了一层“buff”。

（二）AI助手功能、优势及使用场景

1. 产品定位与迭代：AI助手可不是普通的聊天工具，它是基于Elasticsearch平台升级到3.0版本的智能帮手。它能帮大家提高数据分析效率、让决策更准确，还能自动处理一些运维工作，就像一座桥梁，把大家自己的数据和先进的生成式AI连接起来。

2. 核心技术支撑：它背后融合了多种先进技术，比如能从数据里挖有用信息的数据挖掘、能让机器学东西的机器学习、能让机器懂人话的自然语言处理、能通过说话搜索的语音搜索技术，还有大模型和RAG技术。它还自带丰富的接口，能精准调用需要的功能，不用大家自己费劲琢磨。

3. 主要功能及操作：

- 数据处理全流程覆盖：从给数据结构起名，到提取、清洗杂乱数据，再到分析数据、做成直观的图表，甚至管理数据的“生命周期”（比如数据该存多久、什么时候清理），它都能搞定。还能自动生成数据索引规则、创建模板，把混乱的日志内容整理到对应的分类下，让数据变得整整齐齐。

- 便捷操作特性：不用大家掌握复杂的查询和图表工具，就像跟人说话一样，用自然语言告诉它需求就行。比如想“看一下最近一周的销售数据”，它就能直接处理。分析结果能随时做成图表，还能根据需要调整样式，轻松加到工作仪表板里；数据的管理和相关操作也能通过它完成，不用切换多个工具。

4. 实际应用场景举例：比如你需要更新航班延迟的相关数据，但又不会用专业的数据分析工具，这时用AI助手，跟它说“帮我更新最近航班延迟情况”，它就能快速帮你完成，不用自己手动操作一堆步骤。

5. 平台连接器支持：它就像个“万能接口”，能和Elastic自家的产品（比如Elasticsearch、Kibana）无缝对接，也能连外部工具，像云端硬盘、数据库、邮箱、存储文件的工具、聊天软件等都能兼容。如果有特殊需求，还能定制专属接口，甚至能通过爬虫从网上抓取需要的数据。

（三）向量搜索及AI agents知识讲解

1. 讲师自我介绍与学习资源分享：讲师刘晓国分享了自己从完全不懂到精通InDesign的学习经历，给初学者打了打气。他还推荐了实用的学习资源：B 站和Gitup上有相关视频教程，meetup是活动报名平台，后续22号、23号还有线上分享会；另外，白皮书里有详细的产品介绍、核心概念和安装步骤，跟着学就能入门。

2. Elastic产品背景与应用场景：这款产品的起源很有趣，它的CTO最初是想给妻子做一个能搜索菜单的APP，虽然菜单APP没做完，但这款搜索产品却火遍了全球。现在我们常用的抖音、小红书、快手、滴滴、美团、携程、微博、B 站等APP的搜索功能，背后都有它的支持；疫情防控时查行程、去公安局报案、查户口等场景，也用到了它的相关技术，它还被评为“改变世界的15个开源软件之一”。

3. 向量搜索核心知识讲解：

- AI时代的搜索需求：以前搜索只能输关键词，比如在文档里搜“腾讯”，只能找到包含“腾讯”两个字的内容。但AI时代的搜索不一样，它能懂你的意思和意图，比如你搜“想找一个能聊天的社交软件公司”，它能知道你要找腾讯；还能支持图片、声音、文字一起搜（多模态搜索），比如拍一张天安门的照片，能搜到相关的文字介绍和视频。

- 向量的通俗理解：向量其实就是把各种事物用数字描述出来，比如给相亲对象打分，年龄25岁、学历本科、身高175cm、距离3公里，把这些数字组合起来就是一个向量。图片也能转换成这样的数字组合。通过专门的技术，文字、图片等都能变成向量，然后根据数字之间的相似度排序，比如两个事物的数字组合越像，就说明它们越相关，搜索结果就会排在前面。

- Elastic的向量搜索优势：它能支持两种向量（密集向量和稀疏向量），还能自动把文字、图片等转换成向量，不用大家手动处理。它还会把传统的关键词搜索和向量搜索结合起来（混合搜索），让搜索结果更全面、更准确。同时通过硬件加速、数据压缩等技术，让搜索速度更快、更省资源。

4. Retrievers功能：它支持多种搜索方式，比如传统的关键词搜索、向量搜索等，还能调整不同搜索方式的权重。比如你觉得文字关键词搜索更靠谱，就可以给它加重点权重；如果是找相似图片，就给向量搜索加权重。还能结合行业专属模型（比如医疗、法律领域的专门模型），让搜索结果更贴合行业需求。

（四）RAG相关技术与应用讲解

1. ReRank的重要性：RAG简单说就是“让大模型不瞎猜”的技术。比如你用大模型搜“2025年北京最低工资标准”，它可能会因为数据过时瞎回答。而RAG会先从可靠的数据库里搜相关结果，再把结果交给大模型。但搜索结果可能有排序不准的情况，比如最相关的结果排在了第四位，ReRank就是把这些结果重新排序，把最相关的提到前面，让大模型能拿到准确的信息。

2. 相关工具与技术：

- Learning to rank：通过分析用户的行为数据来优化搜索排序，比如很多人搜“奶茶”后都点了“喜茶”的相关结果，系统就会把“喜茶”的结果排得更靠前。

- 脚本工具：如果搜索结果不多（比如前10个），可以用脚本工具精准计算它们的相似度，进一步提高结果的准确性，再交给大模型使用。

- Semantic text字段：能自动把长文本分成小块，比如一本PDF书，会分成一个个小段落，每个段落变成一个向量，这样搜索时能精准找到对应的段落，还能保证段落之间的语义连贯（比如前一个段落和后一个段落有重叠内容）。

3. RAG核心价值与实现原理：

- 核心价值：解决大模型的“幻觉”问题（也就是瞎回答）。大模型的知识有保质期，而且不知道大家的私有数据（比如公司内部的业务数据），RAG能把这些私有数据存到专门的数据库里，搜索时提取相关结果，让大模型基于这些准确数据回答，避免瞎猜。

- 实现流程：你提出问题后，先在向量数据库里搜索，既可以用关键词搜，也可以用向量搜，拿到结果后排序优化，再把最相关的5-10个结果和你的原始问题一起交给大模型，大模型就能给出准确答案。

4. 多模态支持与第三方集成：它能支持图片、文字、声音等多种类型的搜索，还能和微软、IBM、阿里、腾讯等公司的产品对接，这些公司有强大的技术能力，能进一步提升搜索和分析效果。

5. Demo演示与应用场景：讲师现场演示了很多实用功能，比如搜“我想喝饮料”，能搜到“我想喝果汁”的相关结果；搜“中国搜索公司”，能精准找到百度；还能查询产品的操作记录、检测网站是否被攻击、把枯燥的传感器数据做成直观的仪表板、搜索音乐片段找到对应的完整歌曲等。还有AI Builder功能，能创建专属的智能助手，比如创建一个“统计员工平均年龄”的助手，直接问它就能得到结果；playground能导入小说、PDF等文件，直接对文件提问，比如导入《爱丽丝梦游仙境》，能问“主角遇到了哪些奇怪的生物”。

（五）基于MCP方案的数据处理及应用讨论

1. MCP方案背景与核心价值：传统的RAG技术处理海量数据时会“犯难”，比如数据库里有几千万条数据，它会一次性返回一大堆，大模型根本处理不了。而MCP方案就像给大模型配了一个“智能导航”，不用让大模型看所有数据，而是让它精准找到需要的数据。比如你想查“2024年公司的销售冠军”，MCP会直接定位到相关的销售数据，不用大模型从几千万条数据里翻找。

2. MCP核心模块与工作原理：

- 核心模块：主要包括“客户端”（你用来提问的工具，比如电脑、手机）和“服务端”（介于你和数据库之间的“中转站”），核心功能是“资源管理”和“工具调用”，现在用得最多的是“工具调用”，也就是让大模型知道该用哪个工具查数据。

- 工作流程：你用自然语言提问（比如“查一下最近7天网站的攻击情况”），问题先传到大模型，大模型判断需要调用数据库工具，就会通过MCP服务端发送查询请求，服务端会负责验证身份、对接数据库，最后把查询结果返回给你。

3. 实战演示与工具优势：

- 实用功能演示：讲师现场展示了如何用它监控机器运行状态，比如查机器的日志、流量数据，它能自动整理索引、编写查询规则，快速告诉你机器上运行了哪些程序；还能查网站的访问数据，比如最近30分钟有多少人访问、有没有VPN相关访问；甚至能检测网站的攻击情况，比如最近7天有多少次高危攻击、中危攻击，这些攻击有没有被成功拦截。

- 工具优势：不用大家预先设置复杂规则，大模型会自动判断该怎么做、分几步做。支持在自己公司内部部署（私有部署），数据不会泄露；接口兼容，不管对接哪个厂家的产品，操作方式都差不多；而且是开源的，大家能免费下载使用。

4. 相关讨论：现场参会者还聊了开源项目怎么运行、Docker工具的配置难点、AI一体机的价格和性能、哪些AI相关产品值得关注等话题。

（六）数据存储架构及搜索场景建设讨论

1. 混合存储架构：Elastic采用“SSP + Cloud”的存储方式，简单说就是数据刚产生时存在快速存储设备（SSP）上，方便快速读取；时间久了之后，会自动转移到更稳定、更省钱的存储设备（TOP）上，既保证了使用效率，又能降低存储成本。

2. 数据写入与生命周期管理：数据写入时，会有主数据和备份数据（副本），主数据会做完整处理，备份数据只记录和主数据的差异，这样能节省资源、提高写入速度。数据会存放在三个地方（主设备、备份设备、云端），后续会慢慢清理掉不需要的备份数据，最终只保留核心数据，既安全又不浪费存储空间。

3. 腾讯云ES搜索场景建设与优化：

- 核心需求：搜索场景需要满足“高可靠”（比如全年99.99%的时间都能正常使用，也就是4个9的SLA）、“高安全”（防止数据泄露）、“高性能”（搜索速度快），还能及时发现并处理异常情况（比如搜索服务卡顿、数据导入失败）。

- 优化措施：支持在不同地区部署服务，比如在北京和上海都部署，就算一个地区的服务出问题，另一个地区能继续用；还会提供统一的访问地址和节点管理，方便大家维护。

（七）公司搜索模型及相关工作介绍

1. 团队与模型发展：公司的模型团队和Elastic的团队合并后，成员分布在北美、欧洲、新加坡等地，一起研发模型。从2023年开始，模型从1.0版本迭代到3.0版本，从只能处理单一类型数据（比如只有文字），发展到能处理文字、图片等多种数据（多模态）；从只能用一种向量描述事物，发展到能用多种向量，搜索和分析能力越来越强。还推出了专门的模型，比如能识别图片和文字关联的模型、能检索代码的模型等，部分模型还被其他公司（比如千问）作为对比评测的参考模型，得到了行业认可。

2. Reader系列产品：

- Gina Reader API：它的功能很实用，你给它一个网页链接，它能帮你爬取网页上的数据，还能把杂乱的网页内容（比如带广告、多余格式的内容）整理成整洁的Markdown格式，方便后续分析和使用，在行业内很受欢迎。

- Rader LLM：在Gina Reader的基础上做了升级，能更精准地转换内容，现在还支持把PDF文件的内容转换成整洁的格式，后续还会持续优化PDF处理功能。

3. 行业分析与模型集成：现在搜索领域技术更新很快，比如模型能支持更多维度的数据、能压缩数据节省资源等。金纳模型（公司的核心模型品牌）会融入Elastic的产品生态，作为默认推荐模型，同时大家也可以选择其他品牌的模型（比如Copilot、千问）。而且公司的模型都会开源，大家能在Hugging Face平台上免费获取，还能看到详细的技术报告和使用教程。

4. RAG中排序模型相关：传统的排序模型只看单个结果和查询的相关性，比如搜“苹果”，只会把包含“苹果”且相关性高的结果排在前面，可能会出现很多重复或相似的内容。新模型（V3）会同时看多个结果之间的关系，比如避免把重复的内容都排在前面，保证结果的多样性，让你能获取更全面的信息。这个新模型已经开源，大家能在GitHub上下载，后续还会在新加坡的AI 2026大会上做技术分享。

（八）多模态模型相关研究与应用探讨

1. 端到端评测与结果分析：讲师团队做了实际测试，用常见的数据集（比如HotpotQA、Wiki等）测试模型效果，用“回答准确率”作为评估标准。结果显示，新模型（V3）的排序效果更好，对应的回答准确率也更高；新的选择性排序策略在数据干净、无重复的理想场景下效果提升不明显，但在真实场景（比如多个来源的搜索结果混合、数据有重复）下，能明显提升结果质量；还能通过设置阈值过滤不相关的结果，比如只保留相关性大于0.1的结果，减少无用信息，让大模型处理起来更高效。

2. 未来发展方向：

- 动态K值：现在RAG技术默认只返回前5个或前10个结果，但不同查询需要的结果数量不一样，比如简单问题3个结果就够，复杂问题可能需要15个结果。未来会根据查询的复杂程度、数据的长度等，自动调整返回的结果数量（动态K值），让搜索更贴合需求。

- 技术迭代：现在搜索优化主要靠“对比学习”技术，未来会引入“强化学习”等新技术，让模型能自动优化结果多样性、判断信息价值等。

- 多模态检索普及：图片、文字、声音等多模态一起搜索会成为重要方向。以前搜图片里的文字，需要先识别文字再搜索，现在的多模态模型能直接把图片和文字转换成统一的向量，不用单独识别文字，搜索更高效。公司早在去年4月就推出了支持图文搜索的模型（Rock M0），虽然模型体积稍大，但在PDF、图像文档搜索等场景下表现很好。现在千问等大厂也推出了多模态模型，会让更多人接受这种搜索方式。

3. QA环节：

- 模态鸿沟问题：以前跨模态搜索（比如用文字搜图片）存在“偏见”，比如文字查询更倾向于匹配文字结果，就算图片更相关也可能排在后面。现在通过技术优化，这个问题已经大幅改善，跨模态搜索的准确性提高了很多。

- RAG与传统OCR的关系：RAG技术能变革传统OCR（文字识别）的使用方式，比如以前OCR识别图片文字后，还需要手动搜索，而RAG能自动把OCR识别结果和向量搜索结合起来，直接返回相关的完整结果，不用手动多步操作。

（九）模型部署及相关技术问题讨论

1. 模型兼容性与使用方式：模型能用于压缩数据、优化上下文，还能作为工具链调用其他模型和搜索方案。它的接口是行业通用标准，就像大家都用USB接口充电一样，不管对接哪个厂家的产品，调用方式都差不多，和调用ChatGPT的接口一样简单。腾讯开源了相关模型，大家能免费下载，也能在自己公司的服务器上部署（私有部署），不用依赖外部平台。

2. 技术问题解答：

- 模型本地训练与安全：如果是公司自己的模型，能在本地训练，部署时可以选择不把模型文件放到云上，内部程序会在部署完成后删除相关文件，不用担心数据泄露。

- 缓存大小与命中率：缓存大小一般在50-400之间，实际使用中可能更大，相关理论在实践中的具体应用，会有专业人员后续对接解答。

- 频繁写入与强制合并：如果频繁往数据库里写数据，会产生很多小数据块（segment），搜索时需要遍历所有小数据块，速度会变慢。强制合并就是把这些小数据块合并成一个大数据块，减少遍历次数，提高搜索速度。大家可以在控制台设置定时合并任务，比如每天晚上11点合并，避开业务高峰期（比如有些公司的业务高峰期在夜里1-2点）。

3. 会议组织细节：因为会议时间有限，讲师和参会者的发言都尽量精简；现场的部分凳子是早到的参会者帮忙摆放的，氛围很融洽。

三、会议总结

本次会议全面覆盖了Elastic相关的技术、产品应用和行业实践，讲师用通俗易懂的语言分享了丰富的专业知识和实操经验，把复杂的技术概念转化成了大家能理解的日常场景案例。参会者积极交流探讨，从安全测试、AI助手、向量搜索，到RAG技术、MCP方案、数据存储和模型部署，每个环节都讨论得很深入。既有技术原理的详细解读，也有实际应用场景的落地分享，不仅让大家学到了实用的技术知识，还为后续工作开展、技术学习和行业合作提供了重要参考，有效促进了参会者之间的知识共享与经验交流。

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic出发

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic出发

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic出发

感谢苗老师，课代表厉害了，感谢参会的志愿者们，辛苦了，2026年我们加油，从Elastic出发