Valkey: ベクトルインデックスの作成

このドキュメントはベクトル検索とRAGガイドの一部です。完全なガイドはこちらからご覧いただけます：Valkeyによるセマンティック検索、レコメンデーション、リトリーバル拡張生成（RAG）。

👋 Stackhero ドキュメントへようこそ！

Stackhero では、すぐに利用可能な Valkey クラウド ソリューションを提供しています。主な特長は以下の通りです：

• Valkey Admin Web UI を標準搭載。
• メッセージサイズ・転送量が無制限。
• ワンクリックで簡単にアップデート可能。
• プライベート専用インフラによる最適なパフォーマンスと強固なセキュリティ。

時間を節約し、運用をシンプルに：Stackhero の Valkey クラウドホスティング ソリューションは、わずか5分でお試しいただけます！

ベクトルフィールドを宣言する際は、その次元数（dimension）と距離メトリック（distance metric）を指定します。次元数はご利用のモデルに合わせてください。例：OpenAIのtext-embedding-3-smallなら1536、多くのオープンソースモデルなら768など。

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はグラフインデックスを作成し、コレクションが大規模になっても高速な近似検索が可能です。数千ベクトル以上のコレクションにはこれを推奨します。小規模なコレクションの場合は、FLATによる厳密な全探索（brute-force）検索も利用できます。

テキスト埋め込みには通常COSINE距離が最適です。L2やIPメトリックもサポートされています。