Valkey: Creación de 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 Valkey.

👋 ¡Bienvenido a la documentación de Stackhero!

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

• Interfaz web Valkey Admin 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 Valkey cloud hosting de Stackhero.

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

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 crea un índice basado en grafos, permitiendo búsquedas aproximadas rápidas incluso cuando la colección crece mucho. Se recomienda para colecciones de más de unos pocos miles de vectores. Para colecciones pequeñas, puede usar FLAT para una búsqueda exacta y exhaustiva.

COSINE suele ser la mejor métrica de distancia para embeddings de texto. También se admiten las métricas L2 e IP.