本文将介绍企业在没有向量数据的情况下，如何通过OpenSearch向量检索版，快速搭建图像搜索服务。
用户可以直接导入图片源数据，在OpenSearch内部便捷完成图片向量化、向量搜索等步骤，实现以图搜图、以文搜图等多种图像检索能力。
方案架构
用户可以通过3种不同的方式上传图片进行图搜引擎的搭建：
OSS+MaxCompute+OpenSearch向量检索版：用户先将图片上传至OSS中，在MaxCompute中存储业务表数据以及每条数据对应的图片地址（OSS里的路径，比如/image/1.jpg）
MaxCompute+OpenSearch向量检索版：用户将图片通过base64编码后的图片及其表数据存储在MaxCompute中
API+OpenSearch向量检索版：用户通过OpenSearch向量检索版给出的数据推送接口，将base64编码后的图片及其表数据推送到OpenSearch向量检索版实例中
本文演示的是OSS+MaxCompute+OpenSearch向量检索版搭建图搜引擎。
环境准备
1、创建AK和SK
第一次开通阿里云账号并登录控制台时，会提示先创建access key才能继续使用。
创建及使用应用依赖access key参数，主账号下access key参数不能为空。
在为主账号创建access key参数后，还可以再创建RAM子账号access key通过RAM子账号进行访问，RAM子账号赋予对应访问权限，请参考RAM（子账号）的创建及授权。
2、创建对象存储OSS
添加opensearch标签：（key-value 值均为opensearch）
本文在OSS中上传了1000张图片：
部分图片类型如下：
购买OpenSearch向量检索版实例
购买实例可参考购买OpenSearch向量检索版实例。
配置实例
新购买的实例，其状态为“待配置”，之后需要为该实例配置一张表，之后才可正常搜索。
填写表基础信息，点击下一步：
配置说明：
表名称：可自定义
数据分片数：分片数设置时，请填写不超过256的正整数， 用于提升全量构建速度、单次查询性能。（部分存量实例，仍需各索引表分片数保持一致；或至少一个索引表分片数为1，其余索引表分片数一致）
数据更新资源数：数据更新所用资源数，每个索引默认免费提供2个4核8G的更新资源，超出免费额度的资源将产生费用，详情可参考向量检索版国际站计费文档
场景模板：选择“向量：图片搜索”
数据处理：选择“需将原始数据转为向量数据”
数据同步，配置数据源，校验通过后，点击下一步：
配置参数说明：
数据源类型：选择MaxCompute
Project：访问的目标MaxCompute项目名称
accesskeyId：阿里云账号或RAM用户的AccessKey ID
accesskeySecret：AccessKey ID对应的AccessKey Secret
Table：访问的目标MaxCompute 表名
分组键partition：MaxCompute数据源必须设置分区键; 示例：ds=20170626
时间戳：如果有API的增量数据，该配置表示回追多久的增量数据，系统默认最大能回追3天的API增量数据
自动索引重建：是否开启自动索引重建任务，如果开启，则将在识别到当前数据源的变更时，自动对引用该数据源的索引表进行索引重建；
开启自动索引重建，则必须创建done表，创建方式可参考自动索引重建
字段配置，配置完成后，点击下一步：
此处需要选择主键、向量字段、需embedding字段。
图片存储于OSS
模板选择“向量：图片搜索”模板后，系统默认生成4个预置字段id（主键）、cate_id（类目字段）、vector（向量字段）、vector_source_image（存储图片路径的字段），用户选择MaxCompute数据源后，从数据源同步的字段，展示在预置字段下方。
3.1.配置“vector_source_image”字段：（字段类型需要为STRING，必须勾选为需embedding字段）：
用户可根据业务表字段对预置字段名称进行修改，但需要保证该字段的高级配置无误：
在弹框中填写相应信息：
高级配置说明：
向量化模型
clip：通用图片转向量模型。
clip_ecom：电商增强图片转向量模型。
数据类型：选择image
内容来源类型：OSS
OSS存储空间：OSS的bucket名称
注意：OSS的SLR方式需要开通OpenSearch-向量检索版服务关联角色
假设某张图片在OSS的路径为“/测试图片/湖泊.jpg”，那么该字段的内容也必须是“/测试图片/湖泊.jpg”，以下图举例：
OSS的路径：
MaxCompute字段值：
3.2.配置vector向量字段：（字段类型需要为FLOAT，必须勾选为向量字段）
base64编码的图片
模板选择“向量：图片搜索”模板后，系统默认生成4个预置字段id（主键）、cate_id（类目字段）、vector（向量字段）、vector_source_image（存储图片路径的字段），用户选择MaxCompute数据源后，从数据源同步的字段，展示在预置字段下方。
3.1.配置“vector_source_image”字段：（字段类型需要为STRING，必须勾选为需embedding字段）：
用户可根据业务表字段对预置字段名称进行修改，但需要保证该字段的高级配置无误：
在弹框中填写相应信息：
向量化模型：目前支持通用版和电商版两种模型，
clip：通用图片转向量模型。
clip_ecom：电商增强图片转向量模型。
数据类型：选择base64编码。
3.2.勾选vector向量字段：（字段类型需要为FLOAT，必须勾选为向量字段）
索引结构配置，配置完成后点击下一步：
配置说明：
向量索引名称与向量字段名称相同
包含字段为主键、向量字段、命名空间字段可选
高级配置按需填写
通过引擎将图片生成的向量，默认为512维，并且不支持修改。
配置完成后，点击确认创建：
可在变更历史中查看表的创建进度：
全量完成后，即可搜索测试。
查询测试
控制台查询测试
控制台查询用法可以参考：查询测试。
SDK查询
查询示例：可参考预测查询。
结果展示：
{
"totalCount": 5,
"result": [
{
"id": 5,
"score": 1.103209137916565
},
{
"id": 3,
"score": 1.1278988122940064
},
{
"id": 2,
"score": 1.1326735019683838
}
],
"totalTime": 242.615
}result 中 记录着返回的结果。