制作流程图的网站深圳营销策划

制作流程图的网站,深圳营销策划,免费网络课程平台,网站主体负责人能查询到吗点击下方“JavaEdge”#xff0c;选择“设为星标”第一时间关注技术干货#xff01;本文已收录在Github#xff0c;关注我#xff0c;紧跟本系列专栏文章#xff0c;咱们下篇再续#xff01;#x1f680; 魔都架构师 | 全网30W技术追随者#x1f527; 大厂分布式系统/数…点击下方“JavaEdge”选择“设为星标”第一时间关注技术干货本文已收录在Github关注我紧跟本系列专栏文章咱们下篇再续 魔都架构师 | 全网30W技术追随者 大厂分布式系统/数据中台实战专家 主导交易系统百万级流量调优 车联网平台架构 AIGC应用开发先行者 | 区块链落地实践者 以技术驱动创新我们的征途是改变世界 实战干货编程严选网0 关键要点随着传统关键词搜索逐渐达到瓶颈行业正转向语义化、多模态、对话式和智能体AgenticAI 搜索。这种新型搜索能理解用户意图与上下文让用户无需掌握技术或编写应用就能用自然语言获取洞察。基于 OpenSearch、LLM大型语言模型和 Model Context ProtocolMCP模型上下文协议构建的上下文感知型对话搜索解决方案是下一代智能搜索的关键。MCP 负责在 AI 智能体与 OpenSearch 之间建立桥梁。AI 智能体是一类具备角色、任务与上下文管理能力的专用 AI 应用。典型的智能体系统包含 LLM推理核心、记忆模块维持上下文、工具扩展能力和 RAG检索增强生成可在交互中动态检索相关信息。所提架构由三层组成智能体层智能核心、MCP 协议层MCP 客户端与服务器通信、数据层索引、搜索与分析。MCP 服务器支持多种部署方式包括本地、远程、混合本地云以及云原生部署。不同模式可根据企业需求平衡安全、成本与性能。1 引言想象一位销售主管用自然语言问系统“请显示本季度收入最高的十款产品并预测下个月的销售趋势。” 系统能在几秒内给出完整洞察而不必等 BI 团队数天出报告。又或者你问“为什么我的应用延迟很高” 系统不仅会返回日志与指标还会自动分析错误原因、性能瓶颈及最近的部署关联。这就是“下一代智能体搜索”的体验。借助 LLM 驱动的 AI 智能体通过标准化协议如 MCP与数据系统交互实现真正的对话式、上下文感知搜索。本文将介绍 MCP 如何连接 AI 智能体与 OpenSearch 构建智能搜索系统并回顾搜索技术的演进、架构组成及实际实现案例。2 OpenSearch 与行业应用OpenSearch 是一套开源搜索与分析系统广泛用于日志分析、实时应用监控和网站搜索。截至目前下载量近 9 亿次并有数千名贡献者和 14 家核心成员包括 AWS、SAP、Oracle 等。根据 DB-Engines 排名OpenSearch 已跻身全球前五大搜索引擎。从电商搜索到可观测性平台OpenSearch 在多个行业支持关键字、语义和日志分析场景。下面看看搜索技术是如何一步步演进的。3 搜索的演进从关键词到智能体搜索技术演进3.1 关键词搜索又称“词法搜索”是最传统的搜索方式即通过精确的词或短语匹配。OpenSearch 默认使用 TF-IDF 或 Okapi BM25F 算法即 Lucene 索引。这种方法快速、确定且与语言无关但忽略了用户意图和上下文。例如搜索“男士黑色夹克”可能会返回包含“穿黑衬衫的男人”或“其他颜色夹克”的结果。您可以在 Hugging Face 上的 OpenSearch AI 演示 中尝试关键词搜索方法是选择搜索类型为 keyword search。3.2 语义搜索语义搜索比关键词搜索更智能它在执行查询时会考虑用户意图与上下文。此方式将文本转为向量嵌入数值表示形成 向量数据库。OpenSearch 支持多种预训练模型可将文本、图片、音频、视频等数据转为向量。在同样的查询下如“男士黑色夹克”语义搜索将仅返回真正相关的结果。您可以在 Hugging Face 上的 OpenSearch AI 演示中尝试关键词搜索方法是选择搜索类型为 vector search。3.3 多模态或混合搜索多模态搜索结合关键词与语义搜索结果还能同时检索文字与图片等不同数据类型。用户可在同一结果中看到文本与图片匹配的内容。例如在演示页面Hugging Face 上的 OpenSearch AI 演示您可能会看到同时显示关键词和图像的结果。3.4 对话式搜索对话式搜索 允许用户用自然语言提问如问答形式。LLM 支撑这种交互但需借助记忆系统保存上下文可使用 ChatGPT、Claude 等 LLM 的会话内置记忆或使用外部数据库如 PostgreSQL、Redis、OpenSearchor Agentic Frameworks (e.g., LangChain, Strands, LlamaIndex)保存长时记忆。结合 RAG 技术LLM 能连接外部数据源如 OpenSearch为查询补充实时信息。通常用户明确说明需要搜索什么并从 OpenSearch 检索数据。它最适合简单到中等查询和直接的信息检索。关键区别在于记忆内置或外部维护对话历史以保持上下文连续性。同时RAG 通过从外部数据源检索相关信息来增强 LLM 响应以提供更准确和最新的答案。3.5 智能体搜索Agentic Search智能体搜索 是对话式搜索的进化版。智能体具备记忆、推理、任务编排能力可自主决定在 OpenSearch 上执行的步骤如搜索、分析、关联、执行等。智能体可访问多个数据源通过 Model Context ProtocolMCP 协调多种工具完成查询任务。OpenSearch 中的 智能体搜索 将帮助您用自然语言提问如简单英语。智能体搜索是对话式搜索的超集。与对话式搜索不同智能体将具有内置记忆能力并使用 LLM 推理能力编排任务工作流并在 OpenSearch 上做出查询执行决策。这些任务包括搜索、分析、关联和执行。智能体还将根据需要自主迭代工作流计划。智能体搜索可以通过编排多个工具来连接多个数据源以进行信息检索并增强响应。通过智能体搜索用户可以保持对话完整并通过 Model Context Protocol 在 OpenSearch 上执行 工具又称任务这将在本文后续部分讨论。在深入探讨下一代智能体搜索架构和实现细节之前让我们看看智能体如何在智能体 AI 应用架构中发挥关键作用。4 什么是 AI 智能体AI 智能体专用 AI 应用是配备了角色、任务和上下文管理能力的大型语言模型。一个典型的 AI 智能体集成了用于推理的 LLM、用于维持交互相关上下文的记忆、用于扩展能力的工具以及用于选择性知识检索的 RAG所有这些都旨在通过仅检索相关信息并保留关键细节来高效管理 LLM 的有限上下文窗口。给定一个任务智能体通过与可用工具的迭代推理来实现目标同时动态管理进入上下文窗口的信息以优化响应生成。Figure 2: AI 智能体的核心架构让我们回顾两个流行的 OpenSearch 业务用例以了解 OpenSearch 智能体搜索将如何帮助。搜索用例销售分析师创建执行销售报告销售分析师AI 智能体负责为执行领导层创建每周销售绩效报告。AI 智能体利用分析管理器LLM 编排器它充当大脑并指导分析什么按类别每周销售、热门产品、客户趋势和营销活动影响在哪里查找销售数据库、库存系统、营销平台、客户分析如何调查生成查询以聚合销售数据、关联活动并比较趋势一旦执行计划准备就绪AI 智能体通过 MCP 使用可用工具销售数据库Salesforce查询收入、订单和产品绩效电子商务平台MySQLAPI 检索库存水平和客户订单详情营销平台SAP ERPAPI 审查活动绩效并关联销售高峰AI 智能体还可能使用参考文档知识库/RAG例如销售报告模板和 KPI 定义数据库模式和字段定义历史销售报告和季节性模式业务规则例如如何定义“活跃客户”第 2 天如果执行官用户需要参考第 1 天按类别的销售摘要AI 智能体会记住记忆第 1 天的发现并继续上下文感知的对话。可观测性用例DevOps 工程师调查生产中断DevOps 工程师AI 智能体负责调查和解决生产应用性能问题。AI 智能体利用事件管理器LLM 编排器它充当大脑并指导调查什么慢查询日志、API 延迟指标、最近部署在哪里查找应用可观测性信息如日志、指标、跟踪如何调查生成查询以分析错误日志与延迟指标和跟踪并将其与最近部署时间线关联一旦执行计划准备就绪AI 智能体通过 MCP 使用可用工具OpenSearch 查询应用日志、指标和跟踪GitHub API 审查最近代码部署以进行关联PagerDuty API或其他关联相关警报AI 智能体还可能使用参考文档知识库/RAG例如故障排除运行手册系统架构设计文档历史事件和解决方案第 2 天如果 DevOps 工程师AI 智能体需要参考第 1 天事件应用的补丁AI 智能体会记住记忆第 1 天的发现并继续上下文感知的对话。5 为什么需要智能体LLM昨日的大脑问题大型语言模型功能模型FMs在大量语料库上训练但没有实时数据信息。因此单独使用 LLM 就像使用昨日的大脑。RAG 通过连接 LLM 到外部数据源如 OpenSearch 或 RDBMS 等来解决这个问题。例如如果 DevOps 工程师询问实时应用性能指标或生产应用的洞察。LLM 单独无法提供信息。LLM 需要使用现有数据存储如 OpenSearch 来增强响应提供实时洞察。传统 RAG 要求用户指定确切查询并从单一来源一步检索。AI 智能体通过自主推理问题、通过 MCP 编排多个数据源例如 OpenSearch、GitHub、CloudWatch、关联发现并迭代直到找到解决方案来增强 RAG。会话记忆LLM 单独不存储用户对话历史。LLM 独立处理每个提示而不保留之前的交互。智能体可以通过各种记忆机制维护对话历史如短期和长期记忆。因此需要设置记忆与外部数据库并使用 RAG 技术保持对话。从 OpenSearch 3.3 开始智能体记忆作为内置功能提供。现代 AI 智能体框架带有内置记忆无需维护单独数据库。知识库LLM 没有您公司的专有数据。您可以将公司数据作为知识库提供给 LLM。LLM 使用此知识库通过 RAG 技术增强其响应。工具每个智能体将有某些工具通过利用 LLM 的推理和规划能力来执行任务。例如OpenSearch 提供了一套工具执行搜索、分析、关联和执行等任务。您也可以使用智能体框架实现自己的智能体工具。6 开发 AI 智能体的挑战构建 AI 智能体是一项简单任务但将其与现有系统如数据库和 Web 服务集成很复杂。每个用例都需要实现特定 API 或另一种与相应服务的集成方式。例如数据库使用 JDBC 连接Web 服务使用 REST API 调用。如前几节所述销售助手智能体使用不同的连接器连接到不同数据源以执行全面分析。Figure 3: 使用自定义连接器每个数据源的销售助手智能体MCP将帮助克服这种复杂性提供单一和简化的连接方式通用方式。7 MCP通用连接器MCP 提供统一的 API 来连接不同服务使 AI 智能体集成无缝。MCP 设置有两个组件。Model Context Protocol一个开源、标准化和安全的协议基于 JSON-RPC 2.0管理 MCP 客户端和 MCP 服务器之间的通信。想想它就像一个通用电源适配器或旅行电源适配器您可以在不同国家的不同插座中使用它适配器可以简化输入电源并提供所需的连接性和输出。更多关于 MCP 的信息可以在这篇文章中找到。MCP ServerMCP Server 是一个特殊程序作为 AI 模型和外部数据源之间的安全桥梁。它提供在相应服务上执行任务的工具。Figure 4: 使用 MCP 的销售助手智能体8 OpenSearch 智能体搜索如何工作在本节中我们选择了本地部署模型来进行演示以简化设置。生产部署应使用托管混合或云原生选项以获得更好的安全性和可扩展性。Figure 5: OpenSearch 智能体搜索 – MCP 设置和流程架构概述智能体层Claude Desktop 既充当对话界面即智能体 AI 应用又充当 MCP 客户端可以下载到您的本地机器。如上图所示它通过互联网与 Claude Sonnet 4.5 LLM 通信进行推理并指示 MCP 从 OpenSearch 检索信息。协议层MCP 客户端和服务器MCP 客户端通过 claude_desktop_config.json配置将保存连接到 OpenSearch 的配置并通过 MCP 协议启动与 MCP 服务器的通信。MCP 服务器作为独立服务运行在 MCP 协议和 OpenSearch 之间架起桥梁。它将 OpenSearch 操作作为 MCP 工具公开将协议消息转换为 REST API 调用并格式化结果以供 LLM 使用。数据层OpenSearch 存储和索引数据通过 MCP 服务器公开操作。OpenSearch MCP 服务器设置OpenSearch 从版本 3.0 或更高版本开始默认提供 MCP 服务器。您可以在本地机器上下载和安装 OpenSearch MCP 服务器或者也可以按照本文提供的实现指南进行操作。MCP 服务器在将 MCP 工具查询转换为 OpenSearch 原生 REST HTTP API 调用、提交翻译后的查询到 OpenSearch 并处理结果、将其格式化为 LLM 兼容响应方面发挥关键作用。服务器还将 OpenSearch 操作如搜索、分析等作为 MCP 工具公开。默认情况下它将提供在 OpenSearch 上执行任务的工具。可用的默认工具包括ListIndexTool列出 OpenSearch 中的所有索引包括完整信息如 docs.count、docs.deleted 和 store.size。IndexMappingTool检索 OpenSearch 中索引的索引映射和设置信息。SearchIndexTool使用 OpenSearch 中的查询领域特定语言 (DSL) 编写的查询搜索索引。GetShardsTool检索 OpenSearch 中分片的信息。ClusterHealthTool返回集群健康的基本信息。CountTool返回匹配查询的文档数量。ExplainTool返回特定文档匹配或不匹配查询的原因信息。MsearchTool允许在一个请求中执行多个搜索操作。9 MCP 服务器部署模式通常MCP 服务器安装提供以下部署选项。本地部署MCP 服务器可以在个人工作站上与 Claude Desktop 一起运行。这种部署适合开发和测试。远程部署外部服务提供商例如 Salesforce、SAP 等通过 MCP 服务器公开其系统通常出于安全和治理原因。托管混合本地/云部署组织在本地或云环境中部署一个集中的“MCP Hub”。组织的 MCP Hub 将提供标准化、可扩展、受控的多数据源访问。云原生部署主要云提供商如 AWS、GCP 和 Azure 提供自己的 MCP 服务。请注意您也可以根据需求实现自己的 MCP 服务器工具。10 实现指南本节演示如何配置 Claude Desktop 与 OpenSearch MCP 服务器以实现智能体搜索功能。我们将逐步指导安装、配置并使用两个示例数据集电商订单和可观测性数据提供查询示例。完整的源代码和逐步设置说明可在 NextGenSearch-OpenSearch-MCP 获取。11 智能体搜索 – 用户和 MCP 交互流程以下是用户和 MCP 交互步骤的高级流程演示当用户发出查询时如何翻译查询以及 MCP 如何从 OpenSearch 获取并向用户呈现数据。Figure 6: 用户和 MCP 交互流程现在让我们看看整体架构如何实际运行。12 演示智能体搜索实战以下示例演示使用连接到 OpenSearch 的 Claude Desktop 进行 MCP 启用的智能体搜索。演示环境对于此演示我们使用 OpenSearch 作为安装包提供的两个默认数据集。请参考实现指南或 OpenSearch Dashboards 快速入门指南 获取更多详细信息。示例电商订单用于客户行为分析的零售交易数据示例可观测性日志、跟踪和指标用于系统监控查询的日志、跟踪和指标请注意我们在本文/演示中使用简单的英文数据。但您也可以为 OpenSearch 上的向量数据实现相同功能。通用查询让我们看看使用此设置的一些通用自然语言查询。首次使用时您可能需要发出类似“使用 MCP 连接到我的 OpenSearch”的查询以便初始化 MCP 连接。MCP 工具查询“List Tools”。List tools 查询将为您提供 MCP 配置下可用于 OpenSearch 的工具列表。索引查询“List index or list indices of sales data and observability data”这是一个 NLP 查询其中 LLM 理解我们的查询上下文并遍历所有可用工具选择 ListIndexTool 作为列出 OpenSearch 中所有可用索引的适当工具。集群管理查询“*Is the cluster healthy?*”这是一个平台运营查询用于检查 OpenSearch 集群健康。对于此查询LLM 使用 ClusterHealthTool 向用户提供响应。Figure 7: MCP 通用查询现在深入探讨销售数据上的分析洞察。销售分析师演示商业洞察的对话式智能体搜索销售分析师热门产品类别查询“*Can you find the most popular category of products ordered last quarter?*”此查询聚合并提供上季度产品订单的最热门类别结果。销售分析师 – AI 洞察查询“*Based on sales data, what is the interesting part to you?*”在此查询中我们利用纯 AI 分析洞察销售数据。Figure 8: 销售分析师 - 商业洞察查询销售分析师 – 执行董事会 BI 查询“*Can you create a graph based on sales data for the executive board?*”这是一个非常有用的场景执行官无需依赖或等待他们的 BI 团队提供销售绩效报告相反他们可以通过用简单英语查询来按需生成。Figure 9: 销售分析师 - 执行董事会 BI 查询注意Claude Desktop 可以创建 React.js 代码可以转换为仪表板。Claude Desktop 还可以发布公共仪表板。例如这是上述仪表板的快速参考 above dashboard。现在让我们看看 DevOps 角色以及他们如何利用整个 MCP 设置与 OpenSearch。DevOps 演示可观测性数据的对话式洞察DevOps 工程师花费大量时间通过在不同仪表板和工具之间切换以及使用自定义脚本来排查生产问题增加平均检测时间 (MTTD) 和平均恢复时间 (MTTR)。此调查过程可能根据问题的复杂性持续数小时到数天。使用 OpenSearch 智能体搜索与 MCP这些工作流程是对话式的。无需编写完整的领域特定语言 (DSL) 查询或在不同数据集和系统之间导航工程师可以用简单英语提出运营问题。DevOps 工程师 – 应用性能调查查询“*Whats causing high latencies in my application?*”此查询将扫描不同 OpenSearch 索引中可用的所有可观测性数据自动识别相关字段并生成延迟问题的总结解释。DevOps 工程师 – 监控和可观测性查询“Show me nodes with high CPU usage and their active tasks”与延迟查询相同此查询选择正确的可观测性字段并返回高 CPU 节点的干净摘要”Figure 10: DevOps 工程师 - 应用性能和可观测性查询DevOps 工程师 - 可观测性 - 关联分析查询“Give me CPU-to-Latency Correlation insights dashboard”如下面演示截图所示无需在两个屏幕或仪表板之间切换或手动关联。CPU 和延迟指标都被关联智能搜索提供关联分析洞察的全面视图。Figure 11: DevOps 工程师 - CPU 到延迟关联查询和仪表板有关上述关联的快速参考请参见 analysis published dashboard。DevOps 工程师 – 可观测性 – 异常检测查询“*Can you detect any anomalies in this observability data and create a dashboard?*”传统可观测性平台需要在您的数据上设置和训练异常检测模型而 LLM 可以自动理解您的可观测性信号并使用简单英语查询识别异常。Figure 12: DevOps 工程师 - 异常检测查询和仪表板有关上述的快速参考请参见 anomaly detection published dashboard。13 结论从关键词搜索到智能体搜索的演进代表了组织与数据交互方式的根本转变。虽然语义搜索理解用户查询的意图和上下文但通过 MCP 和大型语言模型与 OpenSearch 的结合我们正步入一个新的时代在这个时代搜索感觉更像是一场对话而不是查询。MCP 标准化协议消除了集成复杂性使 AI 智能体能够连接到不同数据源、思考上下文甚至基于推理对发现的内容采取行动。随着 AI 的持续演进像 MCP 这样的标准化协议与强大搜索引擎如 OpenSearch 的结合将使智能、上下文感知的数据访问对每个组织都变得可及。写在最后编程严选网http://www.javaedge.cn/专注分享AI时代下软件开发全场景最新最佳实践~