作者来自 Elastic Elastic DevRel team来自 Elastic DevRel 团队的问候在本期通讯中我们将介绍 Elasticsearch 和 Elastic Stack 的 9.3 版本、最新的博客和视频以及即将举行的活动包括 Agent Builder 黑客松。有什么新内容之前版本中引入的多个功能现在已在 Elasticsearch 和 Elastic Stack 的 9.3 版本中正式发布包括Elastic Agent Builder用于构建能够基于 Elasticsearch 数据进行推理的 AI agent基于模式的日志压缩 pattern_text 用于降低日志存储成本Elastic Security 中的Entity AI Summary扩展的Elastic Inference Service EIS 模型可用性包括 Jina 模型9.3 还引入了向量存储、 GPU 加速以及分析性能方面的改进。Elastic Workflows在 Elastic Stack 中构建自动化Elastic Workflows 是内置于 Kibana 的自动化引擎。你可以使用 YAML 定义工作流 —— 它们的触发方式、执行步骤以及执行的操作 —— 平台负责执行。一个工作流可以查询 Elasticsearch、转换数据、基于条件进行分支、调用外部 API并通过你已配置的连接器与 Slack、 Jira、 PagerDuty 等服务集成。一个 workflow 由几个关键部分组成triggers、inputs 和 steps。triggers决定 workflow 何时运行。一个 workflow 可以有多个 triggers。alert trigger在 Kibana 告警规则触发时运行并可完全访问告警上下文。scheduled trigger按时间间隔或 cron 模式运行。manual trigger可通过 UI 或 API 按需运行。inputs 定义在运行时可传递给 workflow 的参数。这让你可以创建可复用的 workflow并根据不同的调用方式接受不同的值。steps 是 workflow 执行的具体操作。它们按顺序执行每个 step 都可以引用之前 step 的输出。step 类型包括内部 actions用于在 Elasticsearch 和 Kibana 内部执行操作例如查询索引、运行 Elasticsearch Query Language ES|QL 、创建 case 或更新告警。外部 actions用于在外部系统上执行操作例如发送 Slack 消息或创建 Jira 工单。你可以使用在 Elastic 中已配置的任意 connector并通过 HTTP steps 灵活调用任何 API 或内部服务。流程控制用于通过条件判断、循环和并行执行来定义 workflow 的逻辑。AI用于从提示 large language model LLM 到将 agent 作为 workflow step 启用从而解锁 agentic workflow 使用场景。Dense vectors 的 bfloat16 支持Elasticsearch 9.3 新增了对使用 bfloat16 而不是 32 位浮点值来存储 dense vectors 的支持。这大约可以将向量存储减少一半并降低内存压力同时仍然为许多语义搜索和 RAG 工作负载保留足够的精度。这在以下场景中特别有用高维 embeddings例如 768 或更多维度大型向量集合受内存或磁盘占用限制的部署使用 bfloat16 vectors 创建索引PUT my-vector-index { mappings: { properties: { embedding: { type: dense_vector, dims: 768, element_type: bfloat16, index: true } } } }与基于 float 的 vectors 相比文档索引方式没有变化POST my-vector-index/_doc { embedding: [0.01234567,-0.98123456,0.44319876, ...] }kNN 查询使用与之前相同的语法降低的精度会被透明地处理POST my-vector-index/_search { knn: { field: embedding, query_vector: [0.02123456,-0.97345678,0.41765432,...], k: 10, num_candidates: 30 } }bfloat16 vectors 可以与基于磁盘的向量索引以及磁盘上的重新评分结合使用从而在大规模语义搜索工作负载中进一步降低内存使用。用于向量索引和推理的 GPU 加速Elastic 9.3 继续扩展对向量密集型工作负载的 GPU 支持。对于自管理部署GPU 加速的向量索引技术预览允许索引和维护任务在由 cuVS 驱动的 NVIDIA GPU 上运行。已观察到的改进包括向量索引吞吐量提升高达 12xforce-merge 操作速度提升高达 7x在高强度数据摄取期间显著降低 CPU 使用率这些改进有助于在构建或重建大型向量索引时缩短到可搜索状态的时间。在推理方面Elastic Inference Service EIS 继续使用托管的 GPU 基础设施来生成 embeddings 和执行 reranking。这使用户无需在自己的 Elasticsearch 集群中部署或运维 GPU也能享受到 GPU 加速带来的好处。ES|QL更快且更稳定的时间序列分析在 9.3 中改进重点放在指标性能和仪表板稳定性上包括滑动窗口聚合减少时间序列可视化中的抖动用于指标查询的更快执行路径对指数直方图的原生支持例如现在可以直接在 ES|QL 中表达对请求速率随时间的平滑处理TS metrics | WHERE TRANGE(1h) | STATS avg(rate(requests, 10m)) BY TBUCKET(1m), host这些变化让 ES|QL 更适合用于始终在线的仪表板和运营分析而不仅仅是探索性查询。博客、视频和有趣的链接Agent BuilderElastic Agent Builder 现已正式发布。与 Anish Mathur 和 Evan Castle 一起学习如何快速开发上下文驱动的 AI agents。与 Kenneth Kreindler 一起使用 Elastic Agent Builder 和 LiveKit 构建语音 agent。Jina AI与 Scott Martens 一起探索 Jina models、它们的功能以及如何在 Elasticsearch 中原生使用它们。Security与 Paul Ewing 和 Sandiya Ramamoorthy 一起深入了解使用 Elastic Security 进行主动威胁狩猎。Agentic memory与 Someshwaran Mohankumar 一起学习如何在 Elasticsearch 中管理 agentic memory。ChunkingKathleen DeRusso 讲解了用于 LLMs 的 chunking 和 snippet 提取。ObservabilityFrederic Maussion 创建了一份在 Elastic 中使用 OpenTelemetry 为 Nginx 实现端到端分布式追踪的实用指南。来自 Elastic Observability 的 EDOT Cloud Forwarder for AWS 现已 GA。与 Michalis Katsoulis、Andreas Gkizas 和 Miguel Luna 一起了解更多内容。查看这些视频如何使用 ES|QL LOOKUP JOIN 连接 Elasticsearch 索引 以及 如何以编程方式创建 Elastic Serverless search 项目 — 作者 Jeff Vestal使用 AI 与 Elastic Streams 解析日志 — 作者 Peter Titov社区精选博客使用深度学习和 Elasticsearch 构建基于图像的推荐系统和搜索引擎 — 作者 Carmel Wenga使用 Elasticsearch percolate 查询构建智能市场提醒 — 作者 Abdelkarim Elamel即将举行的活动加入 Agent Builder hackathon与社区一起构建上下文驱动、多步骤的 AI agents。争夺 $20,000 奖金并在我们的博客和社交渠道上亮相 — 截止日期 2026 年 2 月 27 日。Elastic{ON} Tour全球一日 Elastic 大会系列回归。注册并参加以下城市活动São Paulo — 2026 年 3 月 5 日Sydney — 2026 年 3 月 5 日Tokyo — 2026 年 3 月 10 日Singapore — 2026 年 3 月 17 日Washington, D.C. — 2026 年 3 月 19 日加入本地 Elastic User Group 分会获取最新活动资讯你也可以在 Meetup.com 上找到我们。如果你有兴趣在 meetup 上展示请发送邮件至 meetupselastic.co。本文中描述的任何功能或特性发布时间完全由 Elastic 决定。当前不可用的功能可能不会按时或根本不会提供。原文https://www.elastic.co/blog/devrel-newsletter-february-2026