本文介绍如何利用 Meilisearch 搜索引擎结合 Ollama 本地大模型实现文本向量搜索。通过 Docker 部署 Meilisearch，配置 Ollama 作为嵌入模型源，设置混合搜索策略，并演示了文档索引与查询的具体步骤。该方案支持语义理解，适用于需要实时、高性能搜索的应用场景，如电商或知识库检索。
Meilisearch 是一个开源、快速、简洁的全文搜索引擎，专为构建高性能、实时的搜索功能而设计。其主要特点如下：
使用 Docker Compose 启动 Meilisearch。创建 docker-compose.yml 文件：
version: '3'
services:
meilisearch:
container_name: meilisearch
image: getmeili/meilisearch:v1.8
environment:
- MEILI_MASTER_KEY=${MEILI_MASTER_KEY:-masterKey}
- MEILI_NO_ANALYTICS=${MEILI_NO_ANALYTICS:-true}
- MEILI_ENV=${MEILI_ENV:-development}
- MEILI_LOG_LEVEL=${MEILI_LOG_LEVEL:-info}
- MEILI_DB_PATH=${MEILI_DB_PATH:-/meili_data/data.ms}
ports:
- ${MEILI_PORT:-7700}:7700
volumes:
- ./meili_data:/meili_data
restart: unless-stopped
创建 .env 文件存储配置：
MEILI_MASTER_KEY=vhcdWXs31gt3cB76
MEILI_NO_ANALYTICS=true
MEILI_ENV=development
MEILI_LOG_LEVEL=info
MEILI_DB_PATH=./data.ms
MEILI_PORT=7700
| 参数 | 值示例 | 说明 |
|---|---|---|
MEILI_MASTER_KEY | masterKey | Meilisearch 的主密钥，用于身份验证 |
MEILI_NO_ANALYTICS | true | 禁用分析功能 |
MEILI_ENV | development | 环境设置 |
MEILI_LOG_LEVEL | info | 日志级别 |
MEILI_DB_PATH | ./data.ms | 数据库存储路径 |
MEILI_PORT | 7700 | 运行端口号 |
运行以下命令启动 Meilisearch：
docker-compose up -d
Ollama 是支持本地部署的大语言模型平台，可通过 API 访问 AI 模型。与 Meilisearch 集成时，Ollama 负责将用户查询转换为向量，实现语义搜索。
按照官方文档指示安装 Ollama。安装完成后配置服务。
创建 systemd 服务文件 /etc/systemd/system/ollama.service：
[Unit]
Description=Ollama Service
After=network.target
[Service]
ExecStart=/usr/local/bin/ollama serve
Restart=always
User=root
[Install]
WantedBy=multi-user.target
如需从外部网络访问，修改配置绑定所有接口。创建 /etc/systemd/system/ollama.service.d/override.conf：
[Service]
Environment="OLLAMA_HOST=0.0.0.0"
重新加载并启动服务：
systemctl daemon-reload
systemctl restart ollama
通过 API 开启实验性功能：
curl -X PATCH 'http://localhost:7700/experimental-features/' \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer vhcdWXs31gt3cB76' \
--data-binary '{"vectorStore": true}'
将 Ollama 设为 Meilisearch 的嵌入模型源：
curl -X PATCH 'http://localhost:7700/indexes/posts/settings' \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer vhcdWXs31gt3cB76' \
--data-binary '{
"embedders": {
"default": {
"source": "ollama",
"url": "http://localhost:11434/api/embeddings",
"model": "nomic-embed-text",
"documentTemplate": "The document titled {{doc.title}} contains: {{doc.summary|truncatewords: 20}}"
}
}
}'
Nomic-embed-text 是一个开源文本嵌入模型，上下文长度 8192，性能优异且参数量较小。
在搜索前，需先将文档添加到 Meilisearch 索引中。假设有一个名为 posts 的索引：
curl -X POST 'http://localhost:7700/indexes/posts/documents' \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer vhcdWXs31gt3cB76' \
--data-binary '[
{
"id": "1",
"title": "Cloudflare Tunnel 指南",
"summary": "如何在 Mac 上设置 Cloudflare Tunnel 进行本地隧道映射。"
},
{
"id": "2",
"title": "Docker 容器化部署",
"summary": "使用 Docker Compose 快速部署微服务架构的最佳实践。"
}
]'
完成配置后，可执行混合搜索（关键词 + 语义）：
curl -X POST 'http://localhost:7700/indexes/posts/search' \
-H 'content-type: application/json' \
-H 'Authorization: Bearer vhcdWXs31gt3cB76' \
--data-binary '{
"q": "Mac 本地设置隧道指南",
"hybrid": {
"semanticRatio": 0.1,
"embedder": "default"
}
}'
| 参数 | 说明 |
|---|---|
q | 搜索查询词 |
hybrid.semanticRatio | 语义搜索权重，范围 0-1 |
hybrid.embedder | 使用的嵌入器名称 |
查看 Ollama 运行日志：
journalctl -u ollama.service -f
检查 Meilisearch 设置是否正确：
curl -X GET 'http://localhost:7700/indexes/posts/settings' \
-H 'Authorization: Bearer vhcdWXs31gt3cB76' \
-H 'Content-Type: application/json'
该方案结合了 Meilisearch 的高性能检索能力与 Ollama 的本地 AI 推理能力，适用于对数据隐私有要求且需要语义理解能力的搜索场景。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online