Elasticsearch查询优化：client_ID预过滤后获取嵌入相似度得分方案咨询

你之前使用post_filter的核心问题在于：post_filter是在全量查询、打分流程全部执行完成后才做结果过滤，且filter类型子句本身不参与得分计算，自然无法获取相似度查询对应的分数。正确的思路是将预过滤逻辑放在查询的前置过滤节点，让相似度查询仅作用于预过滤后的结果集，同时保留相似度查询的得分能力。

方案1：通用bool查询结构（适配所有相似度计算方式） #

利用Elasticsearch bool查询的执行优先级规则：filter子句会先于所有query类子句执行，且本身不参与得分计算，刚好承担预过滤的角色，后续相似度查询放在must子句中，仅对过滤后的文档执行计算并返回得分。

query_body = {
  "query": {
    "bool": {
      "filter": [
        # 第一步：预过滤client_ID，无打分开销，优先执行
        {"wildcard": {"client_ID": f"*{cli_ID}*"}}
      ],
      "must": [
        # 第二步：仅对过滤后的文档执行嵌入相似度查询，得分会正常返回
        # 此处替换为你实际的相似度查询逻辑，比如script_score计算余弦相似度
        {
          "script_score": {
            "query": {"match_all": {}},
            "script": {
              "source": "cosineSimilarity(params.query_vector, '你的嵌入字段名') + 1.0",
              "params": {"query_vector": 你的查询嵌入向量}
            }
          }
        }
      ]
    }
  }
}

该方案完全匹配你的需求：

• 预过滤逻辑生效：filter子句先执行，直接排除不匹配client_ID的文档，执行效率高
• 仅过滤后执行相似度计算：must子句的相似度逻辑仅作用于filter过滤后的小范围数据集，无多余算力浪费
• 可正常获取得分：返回结果中的_score字段就是相似度计算的得分，可直接取用

方案2：KNN专属优化方案（嵌入为dense_vector类型时推荐） #

如果你的嵌入字段是Elasticsearch的dense_vector类型，使用官方原生KNN查询的filter参数效率更高，ES底层会先执行过滤再执行ANN检索，性能远优于通用bool结构：

query_body = {
  "knn": {
    "field": "你的嵌入字段名",
    "query_vector": 你的查询嵌入向量,
    "k": 10, # 需返回的最相似结果数量
    "num_candidates": 100, # 候选集大小可按需调整
    # 预过滤逻辑直接写在这里，ES会先过滤再做KNN计算
    "filter": [
      {"wildcard": {"client_ID": f"*{cli_ID}*"}}
    ]
  }
}

该方案返回的_score就是原生KNN计算的相似度得分，无需额外处理即可直接使用。

内容的提问来源于stack exchange，提问作者Hadrien Rivière