Valkey: Una pipeline RAG in Node.js
Questa documentazione fa parte della guida Ricerca vettoriale e RAG. Consulta la guida completa qui: Ricerca semantica, raccomandazioni e retrieval-augmented generation con Valkey.
👋 Benvenuto nella documentazione di Stackhero!
Stackhero offre una soluzione Valkey cloud pronta all'uso che garantisce numerosi vantaggi, tra cui:
- Interfaccia web Valkey Admin inclusa.
- Dimensione e trasferimento dei messaggi illimitati.
- Aggiornamenti semplici con un solo clic.
- Prestazioni ottimali e sicurezza avanzata grazie a un'infrastruttura privata e dedicata.
Risparmia tempo e semplificati la vita: bastano 5 minuti per provare la soluzione Valkey cloud hosting di Stackhero!
Valkey utilizza lo stesso protocollo di Redis, quindi potete usare qualsiasi client compatibile Redis.
import { createClient, SCHEMA_FIELD_TYPE, SCHEMA_VECTOR_FIELD_ALGORITHM } from 'redis';
const client = createClient({ url: process.env.STACKHERO_VALKEY_URL_TLS });
await client.connect();
const DIMENSIONS = 1536;
const toBytes = embedding => Buffer.from(new Float32Array(embedding).buffer);
// 1. Create l'indice una sola volta, all'avvio
try {
await client.ft.create(
'chunksIndex',
{
content: SCHEMA_FIELD_TYPE.TEXT,
documentId: SCHEMA_FIELD_TYPE.TAG,
embedding: {
type: SCHEMA_FIELD_TYPE.VECTOR,
ALGORITHM: SCHEMA_VECTOR_FIELD_ALGORITHM.HNSW,
TYPE: 'FLOAT32',
DIM: DIMENSIONS,
DISTANCE_METRIC: 'COSINE'
}
},
{ ON: 'HASH', PREFIX: 'chunk:' }
);
}
catch (error) {
if (!error.message.includes('Index already exists')) {
throw error;
}
}
// 2. Indicizzate i vostri segmenti (embedding fornito dal vostro modello)
async function indexChunk({ id, documentId, content, embedding }) {
await client.hSet(`chunk:${id}`, {
content,
documentId,
embedding: toBytes(embedding)
});
}
// 3. Recuperate i segmenti più vicini a una domanda, limitati a un documento
async function retrieve({ questionEmbedding, documentId, count = 5 }) {
const results = await client.ft.search(
'chunksIndex',
`@documentId:{${documentId}}=>[KNN ${count} @embedding $queryVector]`,
{ PARAMS: { queryVector: toBytes(questionEmbedding) } }
);
return results.documents.map(({ value }) => value.content);
}
// 4. Fornite questi segmenti al vostro modello come contesto
const context = await retrieve({ questionEmbedding, documentId: 'doc42' });
const prompt = `Rispondi utilizzando solo questo contesto:\n\n${context.join('\n\n')}\n\nDomanda: ${question}`;