點(diǎn)擊下方“JavaEdge”，選擇“設(shè)為星標(biāo)”

第一時(shí)間關(guān)注技術(shù)干貨！

本文已收錄在Github，關(guān)注我，緊跟本系列專欄文章，咱們下篇再續(xù)！

• 魔都架構(gòu)師 | 全網(wǎng)30W技術(shù)追隨者

• 大廠分布式系統(tǒng)/數(shù)據(jù)中臺(tái)實(shí)戰(zhàn)專家

• 主導(dǎo)交易系統(tǒng)百萬(wàn)級(jí)流量調(diào)優(yōu) & 車聯(lián)網(wǎng)平臺(tái)架構(gòu)

• AIGC應(yīng)用開發(fā)先行者 | 區(qū)塊鏈落地實(shí)踐者

• 以技術(shù)驅(qū)動(dòng)創(chuàng)新，我們的征途是改變世界！

• 實(shí)戰(zhàn)干貨：編程嚴(yán)選網(wǎng)

• 隨著傳統(tǒng)關(guān)鍵詞搜索逐漸達(dá)到瓶頸，行業(yè)正轉(zhuǎn)向語(yǔ)義化、多模態(tài)、對(duì)話式和智能體（Agentic）AI 搜索。這種新型搜索能理解用戶意圖與上下文，讓用戶無(wú)需掌握技術(shù)或編寫應(yīng)用，就能用自然語(yǔ)言獲取洞察。

• 基于 OpenSearch、LLM（大型語(yǔ)言模型）和 Model Context Protocol（MCP，模型上下文協(xié)議）構(gòu)建的上下文感知型對(duì)話搜索解決方案，是下一代智能搜索的關(guān)鍵。MCP 負(fù)責(zé)在 AI 智能體與 OpenSearch 之間建立橋梁。

• AI 智能體是一類具備角色、任務(wù)與上下文管理能力的專用 AI 應(yīng)用。典型的智能體系統(tǒng)包含 LLM（推理核心）、記憶模塊（維持上下文）、工具（擴(kuò)展能力）和 RAG（檢索增強(qiáng)生成），可在交互中動(dòng)態(tài)檢索相關(guān)信息。

• 所提架構(gòu)由三層組成：智能體層（智能核心）、MCP 協(xié)議層（MCP 客戶端與服務(wù)器通信）、數(shù)據(jù)層（索引、搜索與分析）。

• MCP 服務(wù)器支持多種部署方式，包括本地、遠(yuǎn)程、混合（本地+云）以及云原生部署。不同模式可根據(jù)企業(yè)需求平衡安全、成本與性能。

想象一位銷售主管用自然語(yǔ)言問系統(tǒng)：“請(qǐng)顯示本季度收入最高的十款產(chǎn)品，并預(yù)測(cè)下個(gè)月的銷售趨勢(shì)。” 系統(tǒng)能在幾秒內(nèi)給出完整洞察，而不必等 BI 團(tuán)隊(duì)數(shù)天出報(bào)告。

又或者你問：“為什么我的應(yīng)用延遲很高？” 系統(tǒng)不僅會(huì)返回日志與指標(biāo)，還會(huì)自動(dòng)分析錯(cuò)誤原因、性能瓶頸及最近的部署關(guān)聯(lián)。

這就是“下一代智能體搜索”的體驗(yàn)。借助 LLM 驅(qū)動(dòng)的 AI 智能體，通過標(biāo)準(zhǔn)化協(xié)議（如 MCP）與數(shù)據(jù)系統(tǒng)交互，實(shí)現(xiàn)真正的對(duì)話式、上下文感知搜索。

本文將介紹 MCP 如何連接 AI 智能體與 OpenSearch 構(gòu)建智能搜索系統(tǒng)；并回顧搜索技術(shù)的演進(jìn)、架構(gòu)組成及實(shí)際實(shí)現(xiàn)案例。

2 OpenSearch 與行業(yè)應(yīng)用

OpenSearch 是一套開源搜索與分析系統(tǒng)，廣泛用于日志分析、實(shí)時(shí)應(yīng)用監(jiān)控和網(wǎng)站搜索。截至目前，下載量近 9 億次，并有數(shù)千名貢獻(xiàn)者和 14 家核心成員，包括 AWS、SAP、Oracle 等。根據(jù) DB-Engines 排名，OpenSearch 已躋身全球前五大搜索引擎。

從電商搜索到可觀測(cè)性平臺(tái)，OpenSearch 在多個(gè)行業(yè)支持關(guān)鍵字、語(yǔ)義和日志分析場(chǎng)景。下面看看搜索技術(shù)是如何一步步演進(jìn)的。

3 搜索的演進(jìn)：從關(guān)鍵詞到智能體

搜索技術(shù)演進(jìn)：

3.1 關(guān)鍵詞搜索

又稱“詞法搜索”，是最傳統(tǒng)的搜索方式，即通過精確的詞或短語(yǔ)匹配。OpenSearch 默認(rèn)使用 TF-IDF 或 Okapi BM25F 算法（即 Lucene 索引）。這種方法快速、確定且與語(yǔ)言無(wú)關(guān)，但忽略了用戶意圖和上下文。

例如，搜索“男士黑色夾克”可能會(huì)返回包含“穿黑襯衫的男人”或“其他顏色夾克”的結(jié)果。

您可以在 Hugging Face 上的 OpenSearch AI 演示 中嘗試關(guān)鍵詞搜索，方法是選擇搜索類型為 "keyword search"。

3.2 語(yǔ)義搜索

語(yǔ)義搜索比關(guān)鍵詞搜索更智能，它在執(zhí)行查詢時(shí)會(huì)考慮用戶意圖與上下文。此方式將文本轉(zhuǎn)為向量嵌入（數(shù)值表示），形成 向量數(shù)據(jù)庫(kù)。OpenSearch 支持多種預(yù)訓(xùn)練模型，可將文本、圖片、音頻、視頻等數(shù)據(jù)轉(zhuǎn)為向量。

在同樣的查詢下（如“男士黑色夾克”），語(yǔ)義搜索將僅返回真正相關(guān)的結(jié)果。

您可以在 Hugging Face 上的 OpenSearch AI 演示中嘗試關(guān)鍵詞搜索，方法是選擇搜索類型為 "vector search"。

3.3 多模態(tài)或混合搜索

多模態(tài)搜索結(jié)合關(guān)鍵詞與語(yǔ)義搜索結(jié)果，還能同時(shí)檢索文字與圖片等不同數(shù)據(jù)類型。用戶可在同一結(jié)果中看到文本與圖片匹配的內(nèi)容。

例如，在演示頁(yè)面，Hugging Face 上的 OpenSearch AI 演示，您可能會(huì)看到同時(shí)顯示關(guān)鍵詞和圖像的結(jié)果。&

3.4 對(duì)話式搜索

對(duì)話式搜索 允許用戶用自然語(yǔ)言提問（如問答形式）。LLM 支撐這種交互，但需借助記憶系統(tǒng)保存上下文：

• 可使用 ChatGPT、Claude 等 LLM 的會(huì)話內(nèi)置記憶；

• 或使用外部數(shù)據(jù)庫(kù)（如 PostgreSQL、Redis、OpenSearch）or Agentic Frameworks (e.g., LangChain, Strands, LlamaIndex)保存長(zhǎng)時(shí)記憶。

結(jié)合 RAG 技術(shù)，LLM 能連接外部數(shù)據(jù)源（如 OpenSearch），為查詢補(bǔ)充實(shí)時(shí)信息。

通常，用戶明確說明需要搜索什么，并從 OpenSearch 檢索數(shù)據(jù)。它最適合簡(jiǎn)單到中等查詢和直接的信息檢索。

關(guān)鍵區(qū)別在于記憶（內(nèi)置或外部）維護(hù)對(duì)話歷史以保持上下文連續(xù)性。同時(shí)，RAG 通過從外部數(shù)據(jù)源檢索相關(guān)信息來增強(qiáng) LLM 響應(yīng)，以提供更準(zhǔn)確和最新的答案。

3.5 智能體搜索（Agentic Search）

智能體搜索 是對(duì)話式搜索的進(jìn)化版。智能體具備記憶、推理、任務(wù)編排能力，可自主決定在 OpenSearch 上執(zhí)行的步驟，如搜索、分析、關(guān)聯(lián)、執(zhí)行等。

智能體可訪問多個(gè)數(shù)據(jù)源，通過 Model Context Protocol（MCP） 協(xié)調(diào)多種工具完成查詢?nèi)蝿?wù)。

OpenSearch 中的 智能體搜索 將幫助您用自然語(yǔ)言提問，如簡(jiǎn)單英語(yǔ)。

智能體搜索是對(duì)話式搜索的超集。與對(duì)話式搜索不同，智能體將具有內(nèi)置記憶能力，并使用 LLM 推理能力編排任務(wù)工作流，并在 OpenSearch 上做出查詢執(zhí)行決策。這些任務(wù)包括搜索、分析、關(guān)聯(lián)和執(zhí)行。智能體還將根據(jù)需要自主迭代工作流計(jì)劃。

智能體搜索可以通過編排多個(gè)工具來連接多個(gè)數(shù)據(jù)源，以進(jìn)行信息檢索并增強(qiáng)響應(yīng)。通過智能體搜索，用戶可以保持對(duì)話完整，并通過 Model Context Protocol 在 OpenSearch 上執(zhí)行 工具（又稱任務(wù)），這將在本文后續(xù)部分討論。

在深入探討下一代智能體搜索架構(gòu)和實(shí)現(xiàn)細(xì)節(jié)之前，讓我們看看智能體如何在智能體 AI 應(yīng)用架構(gòu)中發(fā)揮關(guān)鍵作用。

4 什么是 AI 智能體？

AI 智能體（專用 AI 應(yīng)用）是配備了角色、任務(wù)和上下文管理能力的大型語(yǔ)言模型。一個(gè)典型的 AI 智能體集成了用于推理的 LLM、用于維持交互相關(guān)上下文的記憶、用于擴(kuò)展能力的工具，以及用于選擇性知識(shí)檢索的 RAG，所有這些都旨在通過僅檢索相關(guān)信息并保留關(guān)鍵細(xì)節(jié)來高效管理 LLM 的有限上下文窗口。給定一個(gè)任務(wù)，智能體通過與可用工具的迭代推理來實(shí)現(xiàn)目標(biāo)，同時(shí)動(dòng)態(tài)管理進(jìn)入上下文窗口的信息以優(yōu)化響應(yīng)生成。

Figure 2: AI 智能體的核心架構(gòu)

讓我們回顧兩個(gè)流行的 OpenSearch 業(yè)務(wù)用例，以了解 OpenSearch 智能體搜索將如何幫助。

搜索用例：銷售分析師創(chuàng)建執(zhí)行銷售報(bào)告

銷售分析師（AI 智能體）負(fù)責(zé)為執(zhí)行領(lǐng)導(dǎo)層創(chuàng)建每周銷售績(jī)效報(bào)告。AI 智能體利用分析管理器（LLM 編排器），它充當(dāng)大腦并指導(dǎo)：分析什么（按類別每周銷售、熱門產(chǎn)品、客戶趨勢(shì)和營(yíng)銷活動(dòng)影響），在哪里查找（銷售數(shù)據(jù)庫(kù)、庫(kù)存系統(tǒng)、營(yíng)銷平臺(tái)、客戶分析），如何調(diào)查（生成查詢以聚合銷售數(shù)據(jù)、關(guān)聯(lián)活動(dòng)并比較趨勢(shì)）一旦執(zhí)行計(jì)劃準(zhǔn)備就緒，AI 智能體通過 MCP 使用可用工具：銷售數(shù)據(jù)庫(kù)（Salesforce）查詢收入、訂單和產(chǎn)品績(jī)效電子商務(wù)平臺(tái)（MySQL）API 檢索庫(kù)存水平和客戶訂單詳情營(yíng)銷平臺(tái)（SAP ERP）API 審查活動(dòng)績(jī)效并關(guān)聯(lián)銷售高峰AI 智能體還可能使用參考文檔（知識(shí)庫(kù)/RAG），例如：銷售報(bào)告模板和 KPI 定義數(shù)據(jù)庫(kù)模式和字段定義歷史銷售報(bào)告和季節(jié)性模式業(yè)務(wù)規(guī)則（例如，如何定義“活躍客戶”）第 2 天，如果執(zhí)行官（用戶）需要參考第 1 天按類別的銷售摘要，AI 智能體會(huì)記?。ㄓ洃洠┑?1 天的發(fā)現(xiàn)，并繼續(xù)上下文感知的對(duì)話。

可觀測(cè)性用例：DevOps 工程師調(diào)查生產(chǎn)中斷

DevOps 工程師（AI 智能體）負(fù)責(zé)調(diào)查和解決生產(chǎn)應(yīng)用性能問題。AI 智能體利用事件管理器（LLM 編排器），它充當(dāng)大腦并指導(dǎo)，調(diào)查什么（慢查詢?nèi)罩?、API 延遲指標(biāo)、最近部署），在哪里查找（應(yīng)用可觀測(cè)性信息，如日志、指標(biāo)、跟蹤），如何調(diào)查（生成查詢以分析錯(cuò)誤日志與延遲指標(biāo)和跟蹤，并將其與最近部署時(shí)間線關(guān)聯(lián)）一旦執(zhí)行計(jì)劃準(zhǔn)備就緒，AI 智能體通過 MCP 使用可用工具：OpenSearch 查詢應(yīng)用日志、指標(biāo)和跟蹤GitHub API 審查最近代碼部署以進(jìn)行關(guān)聯(lián)PagerDuty API（或其他）關(guān)聯(lián)相關(guān)警報(bào)AI 智能體還可能使用參考文檔（知識(shí)庫(kù)/RAG），例如：故障排除運(yùn)行手冊(cè)系統(tǒng)架構(gòu)設(shè)計(jì)文檔歷史事件和解決方案第 2 天，如果 DevOps 工程師（AI 智能體）需要參考第 1 天事件應(yīng)用的補(bǔ)丁，AI 智能體會(huì)記?。ㄓ洃洠┑?1 天的發(fā)現(xiàn)，并繼續(xù)上下文感知的對(duì)話。

5 為什么需要智能體？ LLM：昨日的大腦問題

大型語(yǔ)言模型功能模型（FMs）在大量語(yǔ)料庫(kù)上訓(xùn)練，但沒有實(shí)時(shí)數(shù)據(jù)信息。因此，單獨(dú)使用 LLM 就像使用昨日的大腦。RAG 通過連接 LLM 到外部數(shù)據(jù)源（如 OpenSearch 或 RDBMS 等）來解決這個(gè)問題。

例如，如果 DevOps 工程師詢問實(shí)時(shí)應(yīng)用性能指標(biāo)或生產(chǎn)應(yīng)用的洞察。LLM 單獨(dú)無(wú)法提供信息。LLM 需要使用現(xiàn)有數(shù)據(jù)存儲(chǔ)如 OpenSearch 來增強(qiáng)響應(yīng)，提供實(shí)時(shí)洞察。

傳統(tǒng) RAG 要求用戶指定確切查詢，并從單一來源一步檢索。AI 智能體通過自主推理問題、通過 MCP 編排多個(gè)數(shù)據(jù)源（例如 OpenSearch、GitHub、CloudWatch）、關(guān)聯(lián)發(fā)現(xiàn)并迭代直到找到解決方案來增強(qiáng) RAG。

會(huì)話記憶

LLM 單獨(dú)不存儲(chǔ)用戶對(duì)話歷史。LLM 獨(dú)立處理每個(gè)提示，而不保留之前的交互。智能體可以通過各種記憶機(jī)制維護(hù)對(duì)話歷史，如短期和長(zhǎng)期記憶。

因此，需要設(shè)置記憶與外部數(shù)據(jù)庫(kù)，并使用 RAG 技術(shù)保持對(duì)話。從 OpenSearch 3.3 開始，智能體記憶作為內(nèi)置功能提供?，F(xiàn)代 AI 智能體框架帶有內(nèi)置記憶，無(wú)需維護(hù)單獨(dú)數(shù)據(jù)庫(kù)。

知識(shí)庫(kù)

LLM 沒有您公司的專有數(shù)據(jù)。您可以將公司數(shù)據(jù)作為知識(shí)庫(kù)提供給 LLM。LLM 使用此知識(shí)庫(kù)通過 RAG 技術(shù)增強(qiáng)其響應(yīng)。

工具

每個(gè)智能體將有某些工具，通過利用 LLM 的推理和規(guī)劃能力來執(zhí)行任務(wù)。例如，OpenSearch 提供了一套工具，執(zhí)行搜索、分析、關(guān)聯(lián)和執(zhí)行等任務(wù)。您也可以使用智能體框架實(shí)現(xiàn)自己的智能體工具。

6 開發(fā) AI 智能體的挑戰(zhàn)

構(gòu)建 AI 智能體是一項(xiàng)簡(jiǎn)單任務(wù)，但將其與現(xiàn)有系統(tǒng)如數(shù)據(jù)庫(kù)和 Web 服務(wù)集成很復(fù)雜。每個(gè)用例都需要實(shí)現(xiàn)特定 API 或另一種與相應(yīng)服務(wù)的集成方式。例如，數(shù)據(jù)庫(kù)使用 JDBC 連接，Web 服務(wù)使用 REST API 調(diào)用。

如前幾節(jié)所述，銷售助手智能體使用不同的連接器連接到不同數(shù)據(jù)源以執(zhí)行全面分析。

Figure 3: 使用自定義連接器每個(gè)數(shù)據(jù)源的銷售助手智能體

MCP將幫助克服這種復(fù)雜性，提供單一和簡(jiǎn)化的連接方式（通用方式）。

7 MCP：通用連接器

MCP 提供統(tǒng)一的 API 來連接不同服務(wù)，使 AI 智能體集成無(wú)縫。MCP 設(shè)置有兩個(gè)組件。

• Model Context Protocol：一個(gè)開源、標(biāo)準(zhǔn)化和安全的協(xié)議（基于 JSON-RPC 2.0），管理 MCP 客戶端和 MCP 服務(wù)器之間的通信。想想它就像一個(gè)通用電源適配器或旅行電源適配器，您可以在不同國(guó)家的不同插座中使用它，適配器可以簡(jiǎn)化輸入電源并提供所需的連接性和輸出。更多關(guān)于 MCP 的信息可以在這篇文章中找到。

• MCP Server：MCP Server 是一個(gè)特殊程序，作為 AI 模型和外部數(shù)據(jù)源之間的安全橋梁。它提供在相應(yīng)服務(wù)上執(zhí)行任務(wù)的工具。

Figure 4: 使用 MCP 的銷售助手智能體

8 OpenSearch 智能體搜索如何工作？

在本節(jié)中，我們選擇了本地部署模型來進(jìn)行演示，以簡(jiǎn)化設(shè)置。生產(chǎn)部署應(yīng)使用托管混合或云原生選項(xiàng)，以獲得更好的安全性和可擴(kuò)展性。

Figure 5: OpenSearch 智能體搜索 – MCP 設(shè)置和流程

架構(gòu)概述

• 智能體層Claude Desktop 既充當(dāng)對(duì)話界面（即智能體 AI 應(yīng)用），又充當(dāng) MCP 客戶端，可以下載到您的本地機(jī)器。如上圖所示，它通過互聯(lián)網(wǎng)與 Claude Sonnet 4.5 LLM 通信進(jìn)行推理，并指示 MCP 從 OpenSearch 檢索信息。

• 協(xié)議層（MCP 客戶端和服務(wù)器）MCP 客戶端通過 'claude_desktop_config.json'配置，將保存連接到 OpenSearch 的配置，并通過 MCP 協(xié)議啟動(dòng)與 MCP 服務(wù)器的通信。MCP 服務(wù)器作為獨(dú)立服務(wù)運(yùn)行，在 MCP 協(xié)議和 OpenSearch 之間架起橋梁。它將 OpenSearch 操作作為 MCP 工具公開，將協(xié)議消息轉(zhuǎn)換為 REST API 調(diào)用，并格式化結(jié)果以供 LLM 使用。

• 數(shù)據(jù)層OpenSearch 存儲(chǔ)和索引數(shù)據(jù)，通過 MCP 服務(wù)器公開操作。

OpenSearch 從版本 3.0 或更高版本開始默認(rèn)提供 MCP 服務(wù)器。您可以在本地機(jī)器上下載和安裝 OpenSearch MCP 服務(wù)器，或者也可以按照本文提供的實(shí)現(xiàn)指南進(jìn)行操作。MCP 服務(wù)器在將 MCP 工具查詢轉(zhuǎn)換為 OpenSearch 原生 REST HTTP API 調(diào)用、提交翻譯后的查詢到 OpenSearch 并處理結(jié)果、將其格式化為 LLM 兼容響應(yīng)方面發(fā)揮關(guān)鍵作用。

服務(wù)器還將 OpenSearch 操作（如搜索、分析等）作為 MCP 工具公開。默認(rèn)情況下，它將提供在 OpenSearch 上執(zhí)行任務(wù)的工具。可用的默認(rèn)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檢索 OpenSearch 中索引的索引映射和設(shè)置信息。

• SearchIndexTool使用 OpenSearch 中的查詢領(lǐng)域特定語(yǔ)言 (DSL) 編寫的查詢搜索索引。

• GetShardsTool檢索 OpenSearch 中分片的信息。

• ClusterHealthTool返回集群健康的基本信息。

• CountTool返回匹配查詢的文檔數(shù)量。

• ExplainTool返回特定文檔匹配（或不匹配）查詢的原因信息。

• MsearchTool允許在一個(gè)請(qǐng)求中執(zhí)行多個(gè)搜索操作。

通常，MCP 服務(wù)器安裝提供以下部署選項(xiàng)。

• 本地部署MCP 服務(wù)器可以在個(gè)人工作站上與 Claude Desktop 一起運(yùn)行。這種部署適合開發(fā)和測(cè)試。

• 遠(yuǎn)程部署外部服務(wù)提供商（例如 Salesforce、SAP 等）通過 MCP 服務(wù)器公開其系統(tǒng)，通常出于安全和治理原因。

• 托管混合（本地/云）部署組織在本地或云環(huán)境中部署一個(gè)集中的“MCP Hub”。組織的 MCP Hub 將提供標(biāo)準(zhǔn)化、可擴(kuò)展、受控的多數(shù)據(jù)源訪問。

• 云原生部署主要云提供商如 AWS、GCP 和 Azure 提供自己的 MCP 服務(wù)。

請(qǐng)注意，您也可以根據(jù)需求實(shí)現(xiàn)自己的 MCP 服務(wù)器工具。

10 實(shí)現(xiàn)指南

本節(jié)演示如何配置 Claude Desktop 與 OpenSearch MCP 服務(wù)器以實(shí)現(xiàn)智能體搜索功能。我們將逐步指導(dǎo)安裝、配置，并使用兩個(gè)示例數(shù)據(jù)集（電商訂單和可觀測(cè)性數(shù)據(jù)）提供查詢示例。完整的源代碼和逐步設(shè)置說明可在 NextGenSearch-OpenSearch-MCP 獲取。

11 智能體搜索 – 用戶和 MCP 交互流程

以下是用戶和 MCP 交互步驟的高級(jí)流程，演示當(dāng)用戶發(fā)出查詢時(shí)，如何翻譯查詢，以及 MCP 如何從 OpenSearch 獲取并向用戶呈現(xiàn)數(shù)據(jù)。

Figure 6: 用戶和 MCP 交互流程

現(xiàn)在，讓我們看看整體架構(gòu)如何實(shí)際運(yùn)行。

12 演示：智能體搜索實(shí)戰(zhàn)

以下示例演示使用連接到 OpenSearch 的 Claude Desktop 進(jìn)行 MCP 啟用的智能體搜索。

演示環(huán)境

對(duì)于此演示，我們使用 OpenSearch 作為安裝包提供的兩個(gè)默認(rèn)數(shù)據(jù)集。請(qǐng)參考實(shí)現(xiàn)指南或 OpenSearch Dashboards 快速入門指南 獲取更多詳細(xì)信息。

• 示例電商訂單：用于客戶行為分析的零售交易數(shù)據(jù)

• 示例可觀測(cè)性日志、跟蹤和指標(biāo)：用于系統(tǒng)監(jiān)控查詢的日志、跟蹤和指標(biāo)

請(qǐng)注意，我們?cè)诒疚?演示中使用簡(jiǎn)單的英文數(shù)據(jù)。但您也可以為 OpenSearch 上的向量數(shù)據(jù)實(shí)現(xiàn)相同功能。

通用查詢：

讓我們看看使用此設(shè)置的一些通用自然語(yǔ)言查詢。首次使用時(shí)，您可能需要發(fā)出類似“使用 MCP 連接到我的 OpenSearch”的查詢，以便初始化 MCP 連接。

MCP 工具查詢：“List Tools”。

'List tools' 查詢將為您提供 MCP 配置下可用于 OpenSearch 的工具列表。

索引查詢：“List index or list indices of sales data and observability data”

這是一個(gè) NLP 查詢，其中 LLM 理解我們的查詢上下文，并遍歷所有可用工具，選擇 ListIndexTool 作為列出 OpenSearch 中所有可用索引的適當(dāng)工具。

集群管理查詢：“*Is the cluster healthy?*”

這是一個(gè)平臺(tái)運(yùn)營(yíng)查詢，用于檢查 OpenSearch 集群健康。對(duì)于此查詢，LLM 使用 ClusterHealthTool 向用戶提供響應(yīng)。

Figure 7: MCP 通用查詢

現(xiàn)在，深入探討銷售數(shù)據(jù)上的分析洞察。

銷售分析師演示：商業(yè)洞察的對(duì)話式智能體搜索 銷售分析師：熱門產(chǎn)品類別查詢：

“*Can you find the most popular category of products ordered last quarter?*”

此查詢聚合并提供上季度產(chǎn)品訂單的最熱門類別結(jié)果。

銷售分析師 – AI 洞察查詢：

“*Based on sales data, what is the interesting part to you?*”

在此查詢中，我們利用純 AI 分析洞察銷售數(shù)據(jù)。

Figure 8: 銷售分析師 - 商業(yè)洞察查詢

銷售分析師 – 執(zhí)行董事會(huì) BI 查詢

“*Can you create a graph based on sales data for the executive board?*”

這是一個(gè)非常有用的場(chǎng)景，執(zhí)行官無(wú)需依賴或等待他們的 BI 團(tuán)隊(duì)提供銷售績(jī)效報(bào)告；相反，他們可以通過用簡(jiǎn)單英語(yǔ)查詢來按需生成。

Figure 9: 銷售分析師 - 執(zhí)行董事會(huì) BI 查詢

注意：Claude Desktop 可以創(chuàng)建 React.js 代碼，可以轉(zhuǎn)換為儀表板。

Claude Desktop 還可以發(fā)布公共儀表板。例如，這是上述儀表板的快速參考 above dashboard。

現(xiàn)在，讓我們看看 DevOps 角色以及他們?nèi)绾卫谜麄€(gè) MCP 設(shè)置與 OpenSearch。

DevOps 演示：可觀測(cè)性數(shù)據(jù)的對(duì)話式洞察

DevOps 工程師花費(fèi)大量時(shí)間通過在不同儀表板和工具之間切換以及使用自定義腳本來排查生產(chǎn)問題，增加平均檢測(cè)時(shí)間 (MTTD) 和平均恢復(fù)時(shí)間 (MTTR)。

此調(diào)查過程可能根據(jù)問題的復(fù)雜性持續(xù)數(shù)小時(shí)到數(shù)天。使用 OpenSearch 智能體搜索與 MCP，這些工作流程是對(duì)話式的。無(wú)需編寫完整的領(lǐng)域特定語(yǔ)言 (DSL) 查詢或在不同數(shù)據(jù)集和系統(tǒng)之間導(dǎo)航，工程師可以用簡(jiǎn)單英語(yǔ)提出運(yùn)營(yíng)問題。

DevOps 工程師 – 應(yīng)用性能調(diào)查查詢

“*What's causing high latencies in my application?*”

此查詢將掃描不同 OpenSearch 索引中可用的所有可觀測(cè)性數(shù)據(jù)，自動(dòng)識(shí)別相關(guān)字段，并生成延遲問題的總結(jié)解釋。

DevOps 工程師 – 監(jiān)控和可觀測(cè)性查詢

“Show me nodes with high CPU usage and their active tasks”

與延遲查詢相同，此查詢選擇正確的可觀測(cè)性字段，并返回高 CPU 節(jié)點(diǎn)的干凈摘要”

Figure 10: DevOps 工程師 - 應(yīng)用性能和可觀測(cè)性查詢

DevOps 工程師 - 可觀測(cè)性 - 關(guān)聯(lián)分析查詢

“Give me CPU-to-Latency Correlation insights dashboard”

如下面演示截圖所示，無(wú)需在兩個(gè)屏幕或儀表板之間切換或手動(dòng)關(guān)聯(lián)。CPU 和延遲指標(biāo)都被關(guān)聯(lián)，智能搜索提供關(guān)聯(lián)分析洞察的全面視圖。

Figure 11: DevOps 工程師 - CPU 到延遲關(guān)聯(lián)查詢和儀表板

有關(guān)上述關(guān)聯(lián)的快速參考，請(qǐng)參見 analysis published dashboard。

DevOps 工程師 – 可觀測(cè)性 – 異常檢測(cè)查詢

“*Can you detect any anomalies in this observability data and create a dashboard?*”

傳統(tǒng)可觀測(cè)性平臺(tái)需要在您的數(shù)據(jù)上設(shè)置和訓(xùn)練異常檢測(cè)模型，而 LLM 可以自動(dòng)理解您的可觀測(cè)性信號(hào)，并使用簡(jiǎn)單英語(yǔ)查詢識(shí)別異常。

Figure 12: DevOps 工程師 - 異常檢測(cè)查詢和儀表板

有關(guān)上述的快速參考，請(qǐng)參見 anomaly detection published dashboard。

13 結(jié)論

從關(guān)鍵詞搜索到智能體搜索的演進(jìn)代表了組織與數(shù)據(jù)交互方式的根本轉(zhuǎn)變。雖然語(yǔ)義搜索理解用戶查詢的意圖和上下文，但通過 MCP 和大型語(yǔ)言模型與 OpenSearch 的結(jié)合，我們正步入一個(gè)新的時(shí)代，在這個(gè)時(shí)代，搜索感覺更像是一場(chǎng)對(duì)話而不是查詢。

MCP 標(biāo)準(zhǔn)化協(xié)議消除了集成復(fù)雜性，使 AI 智能體能夠連接到不同數(shù)據(jù)源、思考上下文，甚至基于推理對(duì)發(fā)現(xiàn)的內(nèi)容采取行動(dòng)。隨著 AI 的持續(xù)演進(jìn)，像 MCP 這樣的標(biāo)準(zhǔn)化協(xié)議與強(qiáng)大搜索引擎如 OpenSearch 的結(jié)合，將使智能、上下文感知的數(shù)據(jù)訪問對(duì)每個(gè)組織都變得可及。

編程嚴(yán)選網(wǎng)：http://www.javaedge.cn/ 專注分享AI時(shí)代下軟件開發(fā)全場(chǎng)景最新最佳實(shí)踐~