diff --git a/dsRag/Milvus/X6_search_near_data.py b/dsRag/Milvus/X6_search_near_data.py
index de8d1bf7..a7e55b85 100644
--- a/dsRag/Milvus/X6_search_near_data.py
+++ b/dsRag/Milvus/X6_search_near_data.py
@@ -10,6 +10,7 @@ model_path = MS_MODEL_PATH  # 替换为你的 Word2Vec 模型路径
 model = KeyedVectors.load_word2vec_format(model_path, binary=False, limit=MS_MODEL_LIMIT)
 print(f"模型加载成功，词向量维度: {model.vector_size}")
 
+
 # 将文本转换为嵌入向量
 def text_to_embedding(text):
     words = jieba.lcut(text)  # 使用 jieba 分词
@@ -24,6 +25,7 @@ def text_to_embedding(text):
         print("未找到有效词，返回零向量")
         return [0.0] * model.vector_size
 
+
 # 2. 使用连接池管理 Milvus 连接
 milvus_pool = MilvusConnectionPool(host=MS_HOST, port=MS_PORT, max_connections=MS_MAX_CONNECTIONS)
 
@@ -45,12 +47,21 @@ input_text = "小学数学中有哪些模型?"
 current_embedding = text_to_embedding(input_text)
 
 # 8. 查询与当前对话最相关的历史对话
+start_time = time.time()
 search_params = {
     "metric_type": "L2",  # 使用 L2 距离度量方式
     "params": {"nprobe": MS_NPROBE}  # 设置 IVF_FLAT 的 nprobe 参数
 }
-start_time = time.time()
-results = collection_manager.search(current_embedding, search_params, limit=10)  # 返回 2 条结果
+expr = "document_id == 'MATH_DATA_1'" # 这回我只想查找 document_id='MATH_DATA_2' 的数据
+#expr = "document_id == 'MATH_DATA_2'" # 这回我只想查找 document_id='MATH_DATA_2' 的数据
+results = collection_manager.search(
+    current_embedding,
+    search_params,
+    expr=expr,  # 新增条件表达式
+    limit=10
+)
+
+#results = collection_manager.search(current_embedding, search_params, limit=10)  # 返回 2 条结果
 end_time = time.time()
 
 # 9. 输出查询结果
@@ -79,4 +90,4 @@ print(f"查询耗时: {end_time - start_time:.4f} 秒")
 milvus_pool.release_connection(connection)
 
 # 12. 关闭连接池
-milvus_pool.close()
\ No newline at end of file
+milvus_pool.close()