Redis®*: Erstellen eines Vektor-Index

Diese Dokumentation ist Teil des Vektorsuche und RAG-Leitfadens. Den vollständigen Leitfaden finden Sie hier: Semantische Suche, Empfehlungen und Retrieval-Augmented Generation mit Redis.

👋 Willkommen in der Stackhero-Dokumentation!

Stackhero bietet eine einsatzbereite Redis Cloud-Lösung mit zahlreichen Vorteilen, darunter:

• Redis Commander Web-Oberfläche inklusive.
• Unbegrenzte Nachrichten­größe und Übertragungen.
• Updates ganz einfach per Klick.
• Optimale Performance und starke Sicherheit durch eine private, dedizierte Infrastruktur.

Sparen Sie Zeit und vereinfachen Sie Ihren Alltag: Es dauert nur 5 Minuten, um die Redis Cloud Hosting-Lösung von Stackhero auszuprobieren!

Um ein Vektorfeld zu deklarieren, geben Sie dessen Dimension und Distanzmetrik an. Die Dimension muss zu Ihrem Embedding-Modell passen: Zum Beispiel 1536 für OpenAI text-embedding-3-small, 768 für viele Open-Source-Modelle usw.

FT.CREATE chunksIndex
  ON HASH
  PREFIX 1 chunk:
  SCHEMA
    content TEXT
    documentId TAG
    publishedAt NUMERIC
    embedding VECTOR HNSW 6
      TYPE FLOAT32
      DIM 1536
      DISTANCE_METRIC COSINE

HNSW erstellt einen Graph-Index, der auch bei wachsender Sammlung schnelle Abfragen ermöglicht und ist daher ab einigen Tausend Vektoren die beste Wahl. Für kleine Sammlungen, bei denen exakte Ergebnisse wichtig sind, können Sie FLAT für eine Brute-Force-Suche verwenden.

COSINE ist die empfohlene Metrik für die meisten textbasierten Embedding-Modelle. Sie können auch L2 oder IP wählen, falls Ihr Anwendungsfall dies erfordert.