Valkey: Vektoriaus indekso kūrimas

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

👋 Sveiki atvykę į Stackhero dokumentaciją!

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

• Įtrauktą Valkey Admin web UI.
• Neribotas žinučių dydis ir perdavimas.
• Paprasti atnaujinimai vienu paspaudimu.
• Optimali veikla ir stipri saugumo apsauga, užtikrinama naudojant privačią, dedikuotą infrastruktūrą.

Taupykite laiką ir supaprastinkite savo darbą: išbandyti Stackhero Valkey cloud hosting sprendimą užtrunka tik 5 minutes!

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

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 sukuria grafų indeksą, leidžiantį greitai atlikti apytiksles paieškas net ir didėjant kolekcijai. Tai rekomenduojama, jei turite daugiau nei kelis tūkstančius vektorių. Mažoms kolekcijoms galite naudoti FLAT tiksliai, brute-force paieškai.

COSINE dažniausiai yra geriausia atstumo metrika tekstiniams embedding'ams. Taip pat palaikomos L2 ir IP metrikos.