以下是对您提供的博文内容进行深度润色与结构重构后的专业级技术文章。整体风格更贴近一位有多年ES实战经验的搜索架构师在技术社区的真诚分享——去AI腔、重逻辑、强实操、带温度，同时严格遵循您提出的全部优化要求（无模板化标题、无总结段、自然收尾、语言鲜活、细节扎实）：
当ES开始“算向量”：一个老搜索工程师踩过的三个大坑
上周五凌晨两点，我被一条告警叫醒：某核心商品搜索服务P95延迟突破1.2秒，CPU打满，缓存命中率跌到8%。值班同事发来一句灵魂拷问：“我们是不是不该让ES干这事？”
这不是第一次了。
过去三年，我参与过6个向量检索项目落地——从客服语义意图匹配，到小红书式图文混搜，再到金融风控中的嵌入相似性比对。每一次，业务方都信心满满：“ES不是能搜一切吗？”而每一次上线后，我们都在深夜改knn_search参数、重跑预热脚本、盯着jstat -gc等JIT编译完成……
ES当然能搜向量。但它不是为向量而生的。它的缓存机制、索引模型、甚至JVM里的对象分配路径，都是按“倒排表+TF-IDF”长大的。当你要它每秒扛800次768维浮点数组的余弦距离计算时，它会用沉默告诉你：这不是我的主场，但如果你坚持，我可以试试——只是得按我的规则来。
下面这三件事，是我们用27次线上回滚、43份GC日志、和一次差点被开除的风险换来的真知。
缓存？别再拿整个DSL当钥匙了
很多团队一上来就调indices.queries.cache.size，把heap的15%全喂给Query Cache——结果发现没用。为什么？
因为ES的查询缓存，本质上是个“字面量哈希桶”。你传{"script_score": {"script": "cosineSimilarity(params.query, doc['embedding'])", "params
