Redis®*: Création d'un index vectoriel

Cette documentation fait partie du guide Recherche vectorielle et RAG. Consultez le guide complet ici : Recherche sémantique, recommandations et retrieval-augmented generation avec Redis.

👋 Bienvenue sur la documentation de Stackhero !

Stackhero propose une solution Redis cloud prête à l'emploi qui offre de nombreux avantages, notamment :

• Interface web Redis Commander incluse.
• Taille et transferts de messages illimités.
• Mises à jour simplifiées en un clic.
• Performance optimale et sécurité renforcée grâce à une infrastructure privée et dédiée.

Gagnez du temps et simplifiez-vous la vie : il suffit de 5 minutes pour essayer la solution d'hébergement Redis cloud de Stackhero !

Pour déclarer un champ vectoriel, indiquez sa dimension et la métrique de distance. La dimension doit correspondre à votre modèle d'embedding : par exemple, 1536 pour OpenAI text-embedding-3-small, 768 pour de nombreux modèles 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 crée un index graphe qui maintient des requêtes rapides même lorsque votre collection grandit, ce qui en fait un bon choix au-delà de quelques milliers de vecteurs. Pour de petites collections où la précision exacte est prioritaire, vous pouvez utiliser FLAT pour une recherche exhaustive.

COSINE est la métrique recommandée pour la plupart des modèles d'embedding textuels. Vous pouvez aussi choisir L2 ou IP selon votre cas d'usage.