Valkey: Tworzenie indeksu wektorowego

Ta dokumentacja jest częścią przewodnika Wyszukiwanie wektorowe i RAG. Pełny przewodnik znajdziesz tutaj: Wyszukiwanie semantyczne, rekomendacje i retrieval-augmented generation z Valkey.

👋 Witamy w dokumentacji Stackhero!

Stackhero oferuje gotowe do użycia rozwiązanie Valkey cloud, które zapewnia szereg korzyści, w tym:

• Wbudowany web UI Valkey Admin.
• Nieograniczony rozmiar i transfer wiadomości.
• Bezproblemowe aktualizacje jednym kliknięciem.
• Optymalna wydajność i wysoki poziom bezpieczeństwa dzięki prywatnej, dedykowanej infrastrukturze.

Oszczędzaj czas i uprość sobie życie: wystarczy 5 minut, aby przetestować rozwiązanie Valkey cloud hosting od Stackhero!

Zadeklaruj pole wektorowe, określając jego wymiar i metrykę odległości. Wymiar powinien odpowiadać Twojemu modelowi: na przykład 1536 dla OpenAI text-embedding-3-small lub 768 dla wielu modeli open source.

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 tworzy indeks grafowy, zapewniając szybkie przybliżone wyszukiwanie nawet przy dużych kolekcjach. Jest to zalecane dla kolekcji większych niż kilka tysięcy wektorów. Dla małych kolekcji możesz użyć FLAT do dokładnego, brute-force'owego wyszukiwania.

COSINE to zazwyczaj najlepsza metryka odległości dla embeddingów tekstowych. Obsługiwane są także metryki L2 i IP.