本文详细介绍了如何使用 PAI-LangStudio 和 Qwen3 构建基于AI搜索开放平台 x ElasticSearch 的 AI Search RAG 智能检索应用。该应用通过使用 AI 搜索开放平台、ElasticSearch 全文检索+向量检索引擎的混合检索技术配合阿里云最新发布的 Qwen3 推理模型编排在一个 Agentic Workflow 中，为客户提供了业内领先的 AI Search RAG 检索应用能力，使用 NLP 自然语言即可实现 AI Search 的精准查询可靠效果。开发者可以基于该模板进行灵活扩展和二次开发，以满足特定场景的需求。
实践背景
本文是基于 PAI-LangStudio x AI 搜索开放平台 x ElasticSearch 来构建业内领先且功能强大的一站式 AI Search 智能混合检索 RAG 智能应用方案。下面介绍如何完成场景实操：
前提条件
- 已创建专有网络 VPC、交换机和安全组。具体操作请参见搭建IPv4专有网络和创建安全组。
- 登录 PAI 控制台，在左侧导航栏单击工作空间列表(如无 已有工作空间列表)。在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。如您尚未创建工作空间，请创建工作空间。
- 登录AI搜索开放平台，获取 Endoint 和 API-Key。
- 登录 Elasticsearch控制台，创建 Elasticsearch 实例，并进行安全访问配置（如可打开“使用HTTPS协议”选项以增强安全性）。
场景部署步骤
步骤一：在PAI-LangStudio中添加模型服务连接：
1. 通过 PAI控制台 > 进入PAI-LangStudio > 连接 > 模型服务 > 新建连接：
2. 选择 “AI搜索开放平台 Embedding 模型服务”，并填入从AI搜索开放平台获取到的 Endpoint 和api_key，创建模型服务连接：
3. 创建好后，可以在列表页看到刚刚创建的AI搜索开放平台Embedding模型服务连接：
步骤二：在PAI-LangStudio中新建数据库连接
- 在PAI-LangStudio中，选择“连接” -> “数据库” 标签页后，点击“新建连接”：
2. 填入在Elasticsearch控制台中查看到的Elasticsearch实例的地址和用户名、密码（注意如果Elasticsearch未开启HTTPS连接，此处url需要填写 http:// 头）后，点击确定：
此时在连接列表中可以看到刚刚添加的数据库连接：
步骤三：新建PAI-LangStudio运行时相关信息
1. "运行时"设置确认。在PAI-LangStudio中选择“运行时”标签页，点击“新建运行时”，填入必要的信息如：运行时工作路径（选择OSSbucket中一个目录）、专有网络、安全组与交换机信息（需要跟Elasticsearch所在网络畅通）后点击“确定”：
2. 之后可以在运行时列表中看到该运行时。
步骤四：在PAI-LangStudio中创建知识库
1. 在PAI-LangStudio中，选择“知识库”标签页，并点击“新建知识库”，选择文档所在OSS路径作为“数据源OSS路径”，并选择一个“输出OSS路径”用来保存文档解析处理中间结果和索引相关信息：
2. 选择 “AI搜索开放平台 Embedding 模型服务”标签，并选择步骤一中创建的模型服务连接后，可以选择具体支持的Embedding模型（其中 001模型 和 002模型维度不同，可用于不同场景选择）；选择步骤二中创建的向量数据库连接，并填入一个向量数据库索引名，选择步骤5中创建的运行时后，点击确定：
3. 之后可以在知识库列表中看到刚刚创建的知识库。点击知识库名称后，可以查看知识库概览、文档查看，以及进行召回测试：
4. 在“文档”标签页，可以通过拖拽方式将本地文件上传至OSS中：
5. 在文档上传后，点击“更新索引”按钮，在弹出的浮窗中选择网络和安全组资源配置后，点击“确定”，即可开始进行知识库索引的更新：
此时可以看到有一个索引创建的任务在运行中（也可以通过知识库->操作记录查看任务）：
等待几分钟后，索引构建完毕。此时刷新文档标签页，可以看到文档从“未索引”状态 变为“已索引”。点击列表中的文档名称，可以看到该文档的分块情况，以及每个文档块的使能与否。通过点击文档分块中的✅ 标记，也可以对该文档块进行enable/disable操作。当文档分块被disable后，进行召回时将忽略该文档块：
6. 在PAI-LangStudio的新版知识库中，选择“召回测试”标签，输入问题，设置检索条件（建议score阈值在0.5-0.6之间）后，点击“测试”，可以在右侧看到召回结果：
步骤五：在应用流中使用RAG知识库
1. 在PAI-LangStudio的“应用流”标签点击“新建应用流”，选择“从模板新建” -> “RAG”模板，创建应用流：
之后自动跳转至应用流界面：
2. 点击“知识库检索”节点，配置检索参数（选择知识库索引，设置filter）：
2. 点击“大模型”节点，配置“模型设置”（选择模型、配置参数、开启/关闭思考）：
3. 点击“运行”按钮，输入检索问题后，可以工作流中的运行框获取检索信息：
由于ElasticSearch的混合检索能力，检索准确率大大提升。
步骤六：通过 PAI-LangStudio部署EAS模型服务，支持API调用知识库能力
应用流开发调试完成后，单击右上角的部署，根据需要选择合适的机型以及专有网络，注意EAS实例需要使用与应用流中其他服务实例相同的VPC，以保证安全和网络连通。点击确定 > 跳转到PAI-EAS模型服务 查看部署任务。
场景方案价值 - ES + RAG Agent应用
在PAI- LangStudio 中, 使用AI搜索开放平台提供原子化Embeding/Rerank模型能力和Elasticsearch向量数据库，高效地处理大规模数据，结合大模型LLM分析能力，以快速构建一站式AI Search RAG增强搜索/混合检索的全栈应用能力。将AI智能信息检索与智能问答效率与准确率大大提升。
通过以上步骤，您可快速使用PAI-LangStudio构建基于 AI搜索开放平台 和Elasticsearch引擎优势实现AI Search RAG应用，满足专业知识库场景AI Search需求。
更多介绍
Qwen3
作为Qwen 系列最新一代的大语言模型，提供了一系列密集（Dense）和混合专家(MOE）模型。基于广泛的训练，Qwen3 在推理、指令跟随、代理能力和多语言支持方面取得了突破性的进展，具有以下关键特性：
- 独特支持在思考模式（用于复杂逻辑推理、数学和编码）和 非思考模式（用于高效通用对话）之间无缝切换，确保在各种场景下的最佳性能。
- 显著增强的推理能力，在数学、代码生成和常识逻辑推理方面超越了之前的 QwQ （在思考模式下）和 Qwen2.5 指令模型（在非思考模式下）。
- 擅长 Agent 能力，可以在思考和非思考模式下精确集成外部工具，在复杂的基于代理的任务中在开源模型中表现领先。可与PAI-LangStudio 大模型开发平台无缝集成：结合MCP Server服务，增强智能数据分析能力。
- 支持 100 多种语言和方言，具有强大的多语言理解、推理、指令跟随和生成能力。
PAI-LangStudio - 大模型Agent应用开发平台
大模型&Agent应用开发平台（PAI-LangStudio）是依托阿里云PAI产品核心能力构建的面向企业级用户的一站式大模型应用开发平台。简化了企业级大模型应用的开发流程，同时提供了灵活的可编程能力、实时调试能力与链路追踪的能力，帮助开发者快速构建端到端的AI应用。原生兼容支持通义系列Qwen系列大模型。PAI-LangStudio专注于提供LLM全链路开发部署能力，可支持发布有状态、多Agent的复杂工作流发布部署成PAI-EAS模型服务，并在生产环境提供API应用服务。
参考：大模型应用开发LangStudio_人工智能平台 PAI(PAI)-阿里云帮助中心
AI搜索开放平台
AI搜索开放平台围绕智能搜索及RAG场景，将AI搜索链路中用到的算法服务以组件化形式提供，内置文档解析、文档切片、文本向量化、查询分析、召回、排序、效果评估以及LLM模型服务，开发者根据自身情况灵活选择组件服务进行搜索业务开发。
AI搜索开放平台-联网搜索
AI搜索开放平台提供联网搜索功能，支持直接调用联网搜索API或调用内容生成服务时启用联网搜索。
ElasticSearch混合检索
阿里云检索服务Elasticsearch版（简称ES）结合了AI搜索开放平台的组件化模型能力，提供全文检索+向量检索引擎的混合检索技术, 可用于构建高效、精准的复杂语义搜索系统。通过搭建AI语义搜索的方法，带用户体验AI技术如何提升搜索的准确性和用户体验。
RAG 检索增强 简介
随着AI技术的飞速发展，生成式人工智能在文本生成、图像生成等领域展现出了令人瞩目的成就。然而，在广泛应用大语言模型（LLM）的过程中，以下固有局限性问题逐渐显现：
- 领域知识局限：大语言模型通常基于大规模通用数据集训练而成，难以针对专业垂直领域提供深入和针对性处理。
- 信息更新滞后：由于模型训练所依赖的数据集具有静态特性，大模型无法实时获取和学习最新的信息与知识进展。
- 模型误导性输出：受制于数据偏差、模型内在缺陷等因素，大语言模型可能会出现看似合理实则错误的输出，即所谓的“大模型幻觉”。
为克服这些挑战，并进一步强化大模型的功能性和准确性，检索增强生成技术RAG（Retrieval-Augmented Generation）应运而生。这一技术通过整合外部知识库，能够显著减少大模型虚构的问题，并提升其获取及应用最新知识的能力，从而实现更个性化和精准化的LLM定制。
相关链接