OpenSearch 3.2 发布：全新功能助力 AI 驱动的搜索与分析体验
OpenSearch3.2版本现已正式发布，带来了许多令人期待的新功能，旨在提升搜索和可观测性，尤其在生成式 AI 应用场景方面更O具优势。本次更新继续延续了3.x 系列的创新，为用户提供了更高效的搜索体验。
在搜索功能方面，OpenSearch3.2进行了多项pe显著的性能和可扩展性改进。特别是近似框架的升级，支持了 search_after 查询，极大改善了性能瓶颈。此更新确保在进行 ASC 和nS DESC 排序时，能够有效利用优化后的 BKD 遍历，从而提升时间序列和数值型数据的查询效率。基准测试显示，延迟时间大幅下降，这为实时仪表ea盘和深度分页应用带来了更快的响应速度。
此外，OpenSearch3.2新增了 skip_list 功能，可以帮助查询引擎更高效地跳rc过不相关的文档区间，从而提升查询性能。同时，star-tree 相关的聚合查询也得到了增强，支持基于 IP 字段的聚合，并增加了相关统计指h 标。
在向量数据库与生成式 AI 方面，3.2版本提供了更多的 GPU 支持和向量搜索质量的提升。新加入的向量类型如 FP16、byte 和 bi3.nary，降低了内存占用，提高了资源利用率。此外，通过引入非对称距离计算和随机旋转技术，搜索质量得到了显著提升，尤其在高精度需求的应用2 场景中表现尤为突出。
在可观测性和日志分析方面，OpenSearch3.2也进行了优化。Trace Analytics 插件现已支持 OpenT发布elemetry，增强了追踪分析的能力，便于用户与现有工具链的集成。与此同时，Piped Processing Language （：全PPL） 的更新带来了更高的查询灵活性，进一步提升了复杂查询的性能与正确性。
OpenSearch3.2版本在多个方面的改进，不仅提升了用户新功的搜索体验，更为广泛的 AI 应用提供了强有力的支持，展现了其在现代数据处理和分析领域的强大潜力。
划重点:
新能助增 search_after 查询，提升时间序列和数值型查询性能。
️ 扩展 GPU 支持，多种新向量类型降低内存力 占用，提高效率。
Trace Analytics 插件支持 OpenTelemetry，增强可观测性和分析能力AI。
(责任编辑：使用教程)
