一、方式1：直接写入已计算好的向量
如果你已经有预计算的向量（如通过外部 Python 脚本或模型服务生成），可以直接写入这些向量。
//单条文档写入PUT /book-index/_doc/1{ "id": "1001", "category":"小说", "price":10, "title_text": "百年孤独", "title_vector": [0.1, 0.2, 0.3 …], "content_text": "马孔多小镇和布恩地亚家族的兴衰变化与传奇故事", "content_vector": [0.5, 0.6, 0.7, … ]}//批量写入POST /_bulk{ "index": { "_index": "book-index", "_id": "2" } }{ "id": "1002","category":"历史","price":20,"title_text": "人类简史", "title_vector": [0.1, 0.2, 0.3 …], "content_text": "人类从认知革命到科技革命的发展史", "content_vector": [0.1, 0.2, 0.3, …]}{ "index": { "_index": "book-index", "_id": "3" } }{ "id": "1003","category":"科幻","price":30,"title_text": "三体", "title_vector": [0.8, 0.7, 0.6 …], "content_text": "人类文明和宇宙社会学法则", "content_vector": [0.1, 0.2, 0.3, …]}
二、方式2：通过 Ingest Pipeline 自动生成向量
1. 创建 ingest pipeline
依据前面创建的文本嵌入模型推理服务，可以创建一个 Ingest Pipeline，用于写入过程的 embedding处理：
PUT /_ingest/pipeline/text-embedding{ "description": "Text embedding pipeline", "processors": [ { "inference": { "model_id": "bge-base-zh", "ignore_missing": true, // 忽略缺失的输入字段 "input_output": [ { "input_field": "title_text", "output_field": "title_vector" }, { "input_field": "content_text", "output_field": "content_vector" } ] } } ]}
注意：说明：
注意：ingest pipeline中的model_id的取值，如果是通过机器学习节点部署的，直接取机器学习节点的model_id参数的值，如果是通过_inference端点，可以取_inference端点名称。两者同时建立了的话则都可以使用，其背后对应的是同一个模型的推理，只是前者直接访问模型推理，后者通过_inference端点推理。
2. 写入数据
写入数据时只需要写入标量数据，ingest pipeline中的模型推理服务将自动生成向量数据。
//单条文档写入PUT /book-index/_doc/1?pipeline=text-embedding{ "id": "1001", "category":"小说", "price":10, "title_text": "百年孤独", "content_text": "马孔多小镇和布恩地亚家族的兴衰变化与传奇故事"}//批量写入POST /_bulk?pipeline=text-embedding{ "index": { "_index": "book-index", "_id": "2" } }{ "id": "1002","category":"历史","price":20,"title_text": "人类简史","content_text": "人类从认知革命到科技革命的发展史"}{ "index": { "_index": "book-index", "_id": "3" } }{ "id": "1003","category":"科幻","price":30,"title_text": "三体", "content_text": "人类文明和宇宙社会学法则"}
通过 GET /book-index/_search查看写入结果，向量已经自动生成了：