Valkey: 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 Valkey.

👋 Willkommen in der Stackhero-Dokumentation!

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

• Valkey Admin 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 Valkey Cloud Hosting-Lösung von Stackhero auszuprobieren!

Deklarieren Sie ein Vektorfeld, indem Sie die Dimension und die Distanzmetrik angeben. Die Dimension muss zu Ihrem Modell passen: Zum Beispiel 1536 für OpenAI text-embedding-3-small oder 768 für viele Open-Source-Modelle.

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

HNSW erstellt einen Graph-Index, der auch bei großen Sammlungen schnelle, approximative Suchen ermöglicht. Dies wird für Sammlungen mit mehr als einigen Tausend Vektoren empfohlen. Für kleine Sammlungen können Sie FLAT für eine exakte, brute-force Suche verwenden.

COSINE ist in der Regel die beste Distanzmetrik für Text-Embeddings. Auch die Metriken L2 und IP werden unterstützt.