Redis®*: Een vectorindex aanmaken

Deze documentatie maakt deel uit van de Vector search en RAG-gids. Bekijk de volledige gids hier: Semantisch zoeken, aanbevelingen en retrieval-augmented generation met Redis.

👋 Welkom bij de Stackhero-documentatie!

Stackhero biedt een kant-en-klare Redis cloud oplossing met tal van voordelen, waaronder:

• Redis Commander webinterface inbegrepen.
• Onbeperkte berichtgrootte en overdrachten.
• Updates eenvoudig met één klik.
• Optimale prestaties en sterke beveiliging dankzij een privé, dedicated infrastructuur.

Bespaar tijd en maak uw leven eenvoudiger: het kost slechts 5 minuten om de Redis cloud hosting oplossing van Stackhero uit te proberen!

Om een vectorveld te definiëren, geeft u de dimensie en de afstandsmaat op. De dimensie moet overeenkomen met uw embeddingmodel: bijvoorbeeld 1536 voor OpenAI text-embedding-3-small, 768 voor veel open-source modellen, enzovoort.

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 maakt een graafindex die zoekopdrachten snel houdt naarmate uw collectie groeit, en is daarom een goede keuze boven enkele duizenden vectoren. Voor kleine collecties waar exacte resultaten belangrijk zijn, kunt u FLAT gebruiken voor brute-force zoeken.

COSINE is de aanbevolen metriek voor de meeste tekst-embeddingmodellen. U kunt ook kiezen voor L2 of IP als uw use-case dat vereist.