query() 方法支持向量相似度搜索、全文检索（BM25 排序）、条件过滤（类似 SQL WHERE 子句）或以上方式的组合查询。

它返回一个 Doc 对象列表，每个对象包含匹配的 Document 及其相关性评分。

`Query`

在 Zvec 中，所有查询都通过向 query() 方法传入 Query 对象来执行。

每个 Query 指定：

field_name：要搜索的向量字段或全文检索字段名称
查询来源：
- 向量搜索提供显式的 vector 或 Document id（复用已有 Document 中存储的 Embedding）
- 全文检索提供 fts 子句
单个 Query 可以执行向量搜索或全文检索，但不能同时执行两者。
param（可选）：索引特定的查询参数（例如 HNSW 的 ef，或全文检索的 default_operator）

每个 ZVecQuery 指定：

fieldName：要搜索的向量字段或全文检索字段名称
查询来源：
- 向量搜索提供 vector
- 全文检索提供 fts
params（可选）：索引特定的查询参数（例如 HNSW 的 ef，或全文检索的 defaultOperator）

查询类型

单向量搜索

使用单个向量 Embedding 查找 Document

多向量搜索

组合多个 Embedding 并进行重排序

条件过滤

使用标量字段条件过滤 Document

向量 + 过滤搜索

将向量搜索与条件过滤结合使用

全文检索

通过文本内容搜索 Document，使用 BM25 排序

快速开始示例

单向量搜索

import zvec

result = collection.query(  
    queries=zvec.Query(
        field_name="dense_embedding",
        vector=[0.1] * 768,  # 实际使用时请替换为真实的 Embedding
    ),
    topk=10,
)

多向量搜索

import zvec

result = collection.query(  
    topk=10,
    queries=[
        zvec.Query(field_name="dense_embedding", vector=[0.1] * 768),         
        zvec.Query(field_name="sparse_embedding", vector={1: 0.1, 37: 0.43}), 
    ],
    reranker=zvec.WeightedReRanker(  
        topn=3,
        metric=zvec.MetricType.IP,
        weights={
            "dense_embedding": 1.2,
            "sparse_embedding": 1.0,
        },
    ),
)
print(result)

条件过滤

result = collection.query(filter="publish_year < 1999", topk=50)

混合搜索

import zvec

result = collection.query(          
    queries=zvec.Query(
        field_name="dense_embedding",
        vector=[0.1] * 768,  # 实际使用时请替换为真实的 Embedding
    ),
    filter="publish_year < 1999",
    topk=10,
)

全文检索

from zvec.model.param.query import Fts, Query

result = collection.query(  
    queries=Query(
        field_name="content",
        fts=Fts(match_string="机器学习"),
    ),
    topk=10,
)

搜索 Document

代码示例

代码示例

单向量搜索

多向量搜索

条件过滤

向量 + 过滤搜索

全文检索

本页目录