Elasticsearch：如何在 Elastic AI Builder 里使用 DSL 来查询 Elasticsearch

我们知道目前在 Elastic AI Builder 里，我们创建 tools 的时候，没有 DSL 的选项：

目前，它只支持 ES|QL，Index search，Workflow 及 MCP。当针对我们的 Elasticsearch 里的索引进行 DSL 查询时，我们感觉到无能为力，毕竟 DSL 是很多开发者心里最熟悉的查询语言，虽然 ES|QL 是我们最终的目标。那么我们该如何做呢？

答案就是：使用 Elastic Workflow 来完成。

在最近的一篇文章 “使用 TypeScript 创建 Elasticsearch MCP 服务器”，它使用了 MCP 来完成这个 DSL 的查询。当然一个 MCP 的设计不是那么容易的，而且还需要语言设计。在下面，我们使用 Elastic Workflow 来实现同样的功能。

创建索引

我们的源码在地址： https://github.com/liu-xiao-guo/internal_knowkedge_search。我们使用如下的命令来下载源码：

git clone https://github.com/liu-xiao-guo/internal_knowkedge_search

然后，我们需要针对 .env 文件进行配置：

.env

ELASTICSEARCH_ENDPOINT="https://localhost:9200" ELASTICSEARCH_API_KEY="WVRmNU1wMEJsc01KdjlmdDZ0ZEI6Z2dEMU5UZWFPenF0b3RqaF85RWtNQQ==" # Optional: Path to your CA certificate for secure connections. # If left empty, certificate verification will be disabled (not for production). ES_CA_CERTS_PATH=""

注意：我们需要根据自己的配置做相应的修改。

我们使用如下的命令来创建一个索引：

python ingest.py

我们可以在 Kibana 查看已经写入的文档：

创建 workflow

我们可以创建一个 workflow：

name: Knowledge Base Search enabled: true description: | Searches the 'documents' index for knowledge base articles based on a user query triggers: - type: manual inputs: - name: user_query type: string required: true description: knowledge to search for consts: index_name: documents steps: - name: search_knowledge_base type: elasticsearch.request with: method: POST path: /{{consts.index_name}}/_search headers: Content-Type: application/json body: | { "size": 50, "query": { "bool": { "must": [ { "multi_match": { "query": "{{inputs.user_query}}", "fields": ["title^2", "content", "tags"], "fuzziness": "AUTO" } } ], "should": [ { "match_phrase": { "title": { "query": "{{inputs.user_query}}", "boost": 2 } } } ] } }, "highlight": { "fields": { "title": {}, "content": {} } } } - name: generate_summary type: ai.prompt with: temperature: 0.2 prompt: | You are a helpful assistant that answers questions based on provided documents. Summarize the provided search results to answer a question and return citation metadata for the sources used. Question: {{inputs.user_query}} Relevant Documents: {%- for hit in steps.search_knowledge_base.output.hits.hits limit:5 -%} [Document {{ loop.index }}: {{ hit._source.title }}] {{ hit._source.content }} --- {% endfor -%} - name: display_top_results type: console with: message: |- {%- assign total_hits = steps.search_knowledge_base.output.hits.total.value -%} {%- if total_hits == 0 -%} No results found for query: '{{ inputs.user_query }}' {%- else -%} {%- assign summary = steps.generate_summary.output.content -%} {{ summary }} --- Sources Used ({{ total_hits }} found): {% for hit in steps.search_knowledge_base.output.hits.hits limit:5 -%} - [{{ forloop.index }}] {{ hit._source.title }} {% endfor -%} {%- endif -%}

如上所示，我们使用了 DSL 来查询我们的数据库。

Search for documents about authentication methods and role-based access control

创建 tool

我们可以创建一个如下的一个工具：

在 Agent 里使用这个工具：

我们再接下来创建一个 agent，并在这个 agent 里使用这个工具：

很显然，我们非常容易地使用 Elastic Workflow 来创建 DSL query，并在 AI builder 对它进行使用。当然，我们的工具也可以被其它的 MCP 服务所使用：

祝大家学习愉快！