Redis®*: Crear un índice vectorial

Esta documentación forma parte de la guía Búsqueda vectorial y RAG. Consulte la guía completa aquí: Búsqueda semántica, recomendaciones y retrieval-augmented generation con Redis.

👋 ¡Bienvenido a la documentación de Stackhero!

Stackhero ofrece una solución Redis cloud lista para usar que proporciona numerosas ventajas, entre ellas:

• Interfaz web Redis Commander incluida.
• Tamaño y transferencia de mensajes ilimitados.
• Actualizaciones sencillas con solo un clic.
• Rendimiento óptimo y seguridad reforzada gracias a una infraestructura privada y dedicada.

Ahorre tiempo y simplifique su trabajo: solo necesita 5 minutos para probar la solución de alojamiento Redis cloud de Stackhero.

Para declarar un campo vectorial, especifique su dimensión y la métrica de distancia. La dimensión debe coincidir con la de su modelo de embedding: por ejemplo, 1536 para OpenAI text-embedding-3-small, 768 para muchos modelos open source, etc.

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 crea un índice en grafo que mantiene las consultas rápidas a medida que crece la colección, por lo que es una buena opción a partir de varios miles de vectores. Para colecciones pequeñas donde la precisión exacta es prioritaria, puede usar FLAT para una búsqueda exhaustiva.

COSINE es la métrica recomendada para la mayoría de modelos de embedding de texto. También puede elegir L2 o IP si su caso de uso lo requiere.