Jina Embeddings v5 落地指南：配合 Elastic Agent Builder 打造极致检索增强生成 (RAG)

使用 Elasticsearch Serverless 、 Jina Embeddings v5 、 Elastic Open Web Crawler 和 Elastic Agent Builder ，不到一小时即可构建“与您的网站聊天”体验。

到最后，您将拥有一个可以搜索您抓取的页面、引用相关段落并回答基于您的内容的问题的代理，无需自定义分块或嵌入管道。

本指南将指导您：

1. 启动一个 Elasticsearch Serverless 项目。

2. 使用 Jina Embeddings v5 支持的新的 semantic_text 字段创建索引。

3. 使用 Elastic Crawler Control（又名 Crawly） （ Elastic Open Web Crawler 的 开源 UI + API 封装器）抓取任何网站。

4. 使用 Kibana 中的 Elastic Agent Builder 与该数据进行交互。

你将收获：

• 一个可重复使用的模式，您可以将其指向 任何 网站/文档来源。

• 以内容为核心的聊天。

• 一个 Elasticsearch 无服务器（搜索） 项目 + 一个具有写入权限的 API 密钥 。

• Docker + Docker Compose （用于运行爬虫 UI）。

• git （用于克隆仓库）。

首先，我们需要一个无服务器项目来托管我们的数据。

1. 登录到您的 Elastic Cloud 控制台 。

2. 点击 创建项目 。

3. 选择 “搜索” 作为项目类型。（此类型针对 矢量搜索 和检索进行了优化。）

4. 给它起个名字（例如， es-labs-jina-guide ），然后点击 “创建” 。

重要提示： 请保存创建项目时提供的 Elasticsearch 端点 和 API 密钥 。爬虫程序需要用到这些信息。

Elasticsearch Serverless 支持 semantic_text ，它可以自动处理分块和嵌入生成。我们将使用托管在 Elastic Inference Service 的 GPU 上的  jina-embeddings-v5-text-small 模型。

创建包含 semantic_text 字段的索引。这将指示 Elastic 使用我们刚刚创建的 推理 端点自动对放入该 field 属性中的内容进行向量化。

在 Kibana 开发工具 中运行：

PUT furnirem-website
{
  "mappings": {
    "_meta": {
      "description": "Each document represents a web page with the following schema: 'title' and 'meta_description' provide high-level summaries; 'body' contains the full text content; 'headings' preserves the page hierarchy for semantic weighting. URL metadata is decomposed into 'url_host', 'url_path', and 'url_path_dir1/2/3' to allow for granular filtering by site section (e.g., 'blog' or 'tutorials'). 'links' contains extracted outbound URLs for discovery. Crawl timestamp: 2026-01-26T12:54:16.347907."
    },
    "properties": {
      "body_content": { 
        "type": "text",
        "fields": {
          "keyword": {
            "type": "keyword",
            "ignore_above": 256
          },
          "semantic_multilingual": {
            "type": "semantic_text",
            "inference_id": ".jina-embeddings-v5-text-small"
          }
        }
      },
      "headings": {
        "type": "text",
        "fields": {
          "keyword": {
            "type": "keyword",
            "ignore_above": 256
          },
          "semantic_multilingual": {
            "type": "semantic_text",
            "inference_id": ".jina-embeddings-v5-text-small"
          }
        }
      },
      "title": {
        "type": "text",
        "fields": {
          "keyword": {
            "type": "keyword",
            "ignore_above": 256
          },
          "semantic_multilingual": {
            "type": "semantic_text",
            "inference_id": ".jina-embeddings-v5-text-small"
          }
        }
      }
    }
  }
}

Run the Elastic Open Crawler

Crawly 就是一个例子，它展示了如何围绕 Open Web Crawler 提供的功能构建应用程序。

该应用程序将 Elastic Open Crawler 封装在一个 FastAPI 服务中，用于管理爬虫进程并持久化执行数据。React 前端提供了用于配置和监控爬虫的界面。

其底层工作原理是，爬虫服务（参见 crawler.py ）通过 subprocess.Popen 生成 JRuby 进程，从而允许多个并发爬虫。每次执行的配置、状态和日志（目前）都会持久化到磁盘。

under the hood flow

克隆仓库：

git clone https://github.com/ugosan/elastic-crawler-control

创建一个名为 env.local 的 文件，并添加你的 Elasticsearch 凭据：

ES_URL=https://your-elasticsearch-endpoint.es.cloud
ES_API_KEY=your_api_key_here

启动服务：

docker-compose up

访问用户界面： http://localhost:16700

crawl configuration

除非你想指定具体的种子 URL，否则不一定需要 seed_urls ，所以你的配置可以像下面这样简单：

{
  "domains": [
    {
      "url": "https://furnirem.com"
    }
  ],
  "max_crawl_depth": 3,
  "max_unique_url_count": 500,
  "output_index": "furnirem-website"
}

website crawling progress

完成后，我们就可以直接在 Elasticsearch 中查询内容，或者使用刚刚抓取的页面在 Agent Builder 上与网站进行聊天。

现在数据已经建立索引并向量化，我们可以开始使用 Elastic Agent Builder 与数据进行交互了。

1.  打开 Kibana ，然后导航到 “代理” （在“搜索”部分下）。

2. 测试代理 ：

1. 在聊天窗口中提出一个问题，例如： “稀疏向量和稠密向量有什么区别？”

代理将搜索您 Jina 中嵌入的数据，从 Search Labs 博客文章中检索相关片段，并生成答案。

POST kbn://api/agent_builder/converse/async
{
  "input": "What is the difference between sparse and dense vectors?",
  "agent_id": "elastic-ai-agent",
  "conversation_id": "<CONVERSATION_ID>"
}

您现在拥有一个可用的“ 与您的网站聊天 ”堆栈：您的网站会被抓取、索引，使用 semantic_text + Jina v5 自动嵌入，并通过 Kibana 中的代理显示出来，该代理会回答基于您页面的问题。

从这里开始，您可以将相同的设置指向文档、支持内容或内部维基，并在几分钟内迭代相关性。