Elasticsearch 原生 dense_vector 字段不支持在插件配置文件中设置全局相似度阈值，相似度过滤需要在搜索请求中通过 min_score 参数或脚本查询动态控制。

命令速用版

在搜索请求中使用 min_score 参数过滤低相似度结果，以下示例展示如何设置最低得分阈值。

GET /my-index/_search
{
  "min_score": 0.75,
  "query": {
    "knn": {
      "field": "my_vector",
      "query_vector": [0.1, 0.2, 0.3],
      "k": 10,
      "num_candidates": 100
    }
  }
}

如果使用的是 script_score 查询，可以在脚本中编写具体的相似度计算逻辑并返回分数，低于阈值的结果不会满足查询条件。

为什么会这样

向量相似度是查询向量与文档向量实时计算得出的动态值，无法预先固化在配置文件中。Elasticsearch 的向量检索机制依赖于查询时传入的 query_vector，不同查询向量产生的最高分和分布完全不同，因此全局固定阈值没有实际意义。

分步处理

第一步是定义映射，创建索引时指定 dense_vector 字段及相似度算法，cosine 适合归一化数据，dot_product 适合未归一化数据。

PUT /my-index
{
  "mappings": {
    "properties": {
      "my_vector": {
        "type": "dense_vector",
        "dims": 3,
        "similarity": "cosine"
      }
    }
  }
}

第二步是写入向量数据，确保存入的向量维度与 mapping 定义一致，否则写入会报错。

第三步是执行查询，根据业务容忍度在 search API 中设置 min_score 或使用 range 查询过滤 _score 字段，注意 min_score 会提前终止部分低分段的搜索以提升性能。

怎么验证是否生效

检查搜索响应 body 中的 hits.hits 数组，确认所有返回文档的 _score 字段值均大于或等于设定的阈值。

同时观察 hits.total 数量，如果设置阈值后数量明显减少，说明过滤逻辑正在工作；如果数量未变但分数偏低，需检查相似度算法是否与数据预处理方式匹配。

常见坑

不同 similarity 算法的分值范围不同，cosine 相似度通常在 0 到 1 之间，而 dot_product 可能为负数或大于 1，直接套用阈值会导致过滤失效。

min_score 参数在某些聚合查询或复杂嵌套查询中可能不被支持，此时需要改用 script_score 在查询内部进行分数截断。

向量维度不匹配会导致索引写入失败或查询报错，生产环境变更前需在测试索引验证 dims 参数。

常见问题

能全局配置默认相似度阈值吗？

不能，Elasticsearch 没有全局配置文件支持该参数，必须在每次搜索请求中指定。

cosine 和 dot_product 怎么选？

如果向量数据已经归一化处理，优先选 dot_product 性能更好，否则选 cosine 更稳妥。

阈值设多少合适？

公开资料中没有看到可靠的量化数据，需根据业务场景对召回率和准确率的权衡通过测试确定。

参考来源

• Elasticsearch Guide, Dense vector field type, https://www.elastic.co/guide/en/elasticsearch/reference/current/dense-vector-field-type.html
• Elasticsearch Guide, KNN search, https://www.elastic.co/guide/en/elasticsearch/reference/current/knn-search.html