本文详细介绍了如何使用人工智能平台 PAI 大模型应用开发 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。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最新发布的 Qwen3 推理模型，编排在一个 Agentic Workflow 中，为用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。用户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。
一.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。
二.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 endpoint 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）。
三.场景部署步骤
下面介绍如何云上玩转 Qwen3，基于 PAI-LangStudio x AI 搜索开放平台 x Elasticsearch，快速构建 AI Search RAG 全栈应用：
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：
1. 在 PAI-LangStudio 中，选择“连接”-＞“数据库”标签后，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，选择步骤三中创建的运行时后，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；
之后会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）；
3. 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）；
4. 点击“运行”按钮，输入检索问题后，可以在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 实现 AI Search RAG 应用，满足专业知识库场景需求。
四.更多介绍
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 智能混合检索应用解决方案。以下是本方案涉及到的模型与产品介绍：
1.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。
2.PAI-LangStudio-大模型应用开发平台
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。
3.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。
4.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。点击前往
5.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。
6.RAG 检索增强
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。
五.相关连接
