Redis®*: Vektoriaus indekso kūrimas

Ši dokumentacija yra Vektorinė paieška ir RAG vadovo dalis. Visą vadovą rasite čia: Semantinė paieška, rekomendacijos ir retrieval-augmented generation su Redis.

👋 Sveiki atvykę į Stackhero dokumentaciją!

Stackhero siūlo paruoštą naudoti Redis cloud sprendimą, kuris suteikia daugybę privalumų, įskaitant:

• Įtraukta Redis Commander žiniatinklio sąsaja.
• Neribotas žinučių dydis ir perdavimas.
• Paprasti atnaujinimai vienu paspaudimu.
• Optimali veikla ir stipri apsauga dėl privačios, dedikuotos infrastruktūros.

Taupykite laiką ir palengvinkite sau darbą: išbandyti Stackhero Redis cloud hosting sprendimą užtrunka tik 5 minutes!

Norėdami deklaruoti vektoriaus lauką, nurodykite jo dimensiją ir atstumo metriką. Dimensija turi atitikti jūsų embedding modelį: pavyzdžiui, 1536 OpenAI text-embedding-3-small, 768 daugeliui atviro kodo modelių ir pan.

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 sukuria grafo indeksą, kuris užtikrina greitas užklausas net kolekcijai augant, todėl tai geras pasirinkimas, kai turite daugiau nei kelis tūkstančius vektorių. Mažoms kolekcijoms, kur svarbus tikslumas, galite naudoti FLAT – tai tiesioginė paieška.

COSINE yra rekomenduojama metrika daugumai tekstinių embedding modelių. Jei reikia, galite rinktis ir L2 arba IP.