Valkey: 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 Valkey.

👋 Bienvenue sur la documentation de Stackhero !

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

• Interface web Valkey Admin incluse.
• Taille des messages et transferts 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 Valkey cloud hosting de Stackhero !

Déclarez un champ vectoriel en précisant sa dimension et la métrique de distance. La dimension doit correspondre à votre modèle : par exemple, 1536 pour OpenAI text-embedding-3-small, ou 768 pour de nombreux modèles 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 crée un index graphique, permettant des recherches approximatives rapides même lorsque votre collection devient volumineuse. C'est la méthode recommandée pour les collections de plus de quelques milliers de vecteurs. Pour de petites collections, vous pouvez utiliser FLAT pour une recherche exacte et exhaustive.

COSINE est généralement la meilleure métrique de distance pour les embeddings de texte. Les métriques L2 et IP sont également prises en charge.