Meilisearch 1.9

我們很高興推出 Meilisearch v1.9。在本文中，我們將回顧最具影響力的變更。如需詳盡列表，請查看 GitHub 上的變更日誌。

新增功能：排名分數閾值

Meilisearch 1.9 允許排除排名分數較低的搜尋結果。當使用新的 rankingScoreThreshold 選項時，Meilisearch 將不會傳回任何低於定義閾值的文件。

curl 
 -X POST 'https://127.0.0.1:7700/indexes/movies/search' 
 -H 'Content-Type: application/json' 
 --data-binary '{
    "q": "green ogre living in a swamp",
    "hybrid": { 
	    "semanticRatio": 0.9, 
	    "embedder": "default" 
	},
    "showRankingScore": true,
    "limit": 5,
    "rankingScoreThreshold": 0.2
 }'

在實作混合搜尋時使用排名分數閾值，可以移除不相關的結果，並讓您的搜尋分析正確收集無搜尋結果指標。

新增功能：搜尋時的 distinct 屬性（依分組）

Meilisearch 1.9 新增了在搜尋時定義distinct 屬性的功能。當使用新的 distinct 搜尋參數時，Meilisearch 將僅傳回一個具有指定屬性值的文件。

此功能常用於電子商務應用程式。考量一個包含相同產品多個變體的 products 索引，例如共享相同 product_id 的 Blue iPhone 15 和 Red iPhone 15 文件。下面的 API 呼叫將傳回單一 iPhone 15

curl 
 -X POST 'https://127.0.0.1:7700/indexes/products/search' 
 -H 'Content-Type: application/json' 
 --data-binary '{
    "q": "iphone",
    "distinct": "product_id"
 }'

新增功能：frequency 比對策略

Meilisearch 1.9 引入了一個新的比對策略，以優先顯示包含最不常用查詢詞的結果。當使用 frequency 比對策略時，Meilisearch 會降低非常常見的字的優先順序。

讓我們以 "the little prince" 查詢為例。在我們的索引文件中，"the" 和 "little" 這兩個字可能出現了很多次。因此，比對策略會優先處理包含 "prince" 的文件。

實驗性功能：新的相似文件 API

Meilisearch 1.9 引入了一個新的由 AI 驅動的搜尋功能，允許搜尋與現有文件相似的文件。

以下 API 呼叫會在電影索引中搜尋與主鍵為 23 的文件相似的文件

curl 
  -X POST /indexes/movies/similar
  -H 'Content-Type: application/json' 
  --data-binary '{
    "id": "23",
    "embedder": "default",
  }'

請查看相似文件 API，以取得有關其他參數的更多資訊。

實驗性功能：避免重新產生嵌入

當匯入使用 Meilisearch 1.9 或更高版本建立的dump時，Meilisearch 將不會重新產生嵌入。這將避免在升級 Meilisearch 資料庫時進行不必要的計算。

新增功能：regenerate 參數

此外，Meilisearch 1.9 引入了一個新的 API，以更精細地控制文件嵌入產生。具體來說，它可以在每次更新文件時產生嵌入。

文件 _vectors 物件現在除了陣列之外，還接受物件。提供的物件接受一個 regenerate 布林值和一個可選的 embeddings 陣列。

考量以下具有使用者提供嵌入的範例文件

{
	"id": 42,
	"_vectors": {
		// Embeddings for the `default` embedder
		// Equivalent to `regenerate: true`
		"default": [0.1, 0.2 ],
		// Embeddings for the `text` embedder
		"text": {
			"embeddings": [[0.1, 0.2, 0.3], [0.4, 0.5, 0.6]],
			// Never regenerate embeddings
			"regenerate": false
		},
		"translation": {
			"embeddings": [0.1, 0.2, 0.3, 0.4],
			// Regenerate embeddings when document is updated
			"regenerate": true
		}
	}
}

雖然一般來說，您可能希望在每次更新文件時重新產生嵌入，但這有助於從使用者提供的嵌入遷移到讓 Meilisearch 處理嵌入，而不會產生不必要的成本。

實驗性功能：混合搜尋的重大變更

隨著我們朝向穩定由 AI 驅動的搜尋功能邁進，我們引入了次要的重大變更，以使 API 更不容易出錯。

重大變更：空的 embeddings 陣列

在使用者回饋表示先前的行為出乎意料且沒有幫助之後，現在提供空的 embeddings 陣列將會告訴 Meilisearch 該文件沒有嵌入。

重大變更：已移除搜尋結果中的 _vectors

從 Meilisearch 1.9 開始，對向量搜尋和混合搜尋請求的 API 回應將不會在回應中包含 _vectors。

但是，如果您希望 API 回應包含它們，您現在可以使用新的 retrieveVectors 搜尋參數

curl 
  -X POST 'https://127.0.0.1:7700/indexes/movies/search' 
  -H 'Content-Type: application/json' 
  --data-binary '{
    "q": "star wars",
    "retrieveVectors": true
  }'

重大變更：最佳化使用者提供的 embeddings

從 Meilisearch 1.9 開始，向量嵌入將不再按原樣儲存。數字將被轉換為標準化的浮點數表示法，以節省儲存空間並最佳化效能。簡而言之，向量 [3] 可能會儲存為 [3.0]。

貢獻者感謝

感謝所有參與此版本發佈的社群成員。特別感謝 @gh2k、@writegr 和 @yudrywet 對 Meilisearch 的貢獻，以及 @mosuka、@Soham1803 和 @tkhshtsh0917 對 Charabia 的貢獻。

當然，也非常感謝我們的 SDK 維護人員，感謝他們讓 Meilisearch 可以在多種語言中使用。特別感謝 @the-sinner 和 @norkunas。🫶

這就是 v1.9 的總結！此版本文章重點介紹了最重要的更新。如需詳盡列表，請閱讀 Github 上的變更日誌。

訂閱我們的每月電子報，隨時掌握 Meilisearch 的一切動態。若要進一步了解 Meilisearch 的未來並協助塑造它，請查看我們的藍圖並參與我們的產品討論。

如有任何其他問題，請加入我們在 Discord 上的開發人員社群。