Redis®*: Criar um índice vetorial

Esta documentação faz parte do guia Pesquisa vetorial e RAG. Consulte o guia completo aqui: Pesquisa semântica, recomendações e retrieval-augmented generation com Redis.

👋 Bem-vindo à documentação da Stackhero!

A Stackhero disponibiliza uma solução Redis cloud pronta a usar, que oferece várias vantagens, incluindo:

• Interface web Redis Commander incluída.
• Tamanho e transferências de mensagens ilimitados.
• Atualizações fáceis com apenas um clique.
• Performance otimizada e segurança reforçada, graças a uma infraestrutura privada e dedicada.

Poupe tempo e simplifique a sua vida: bastam 5 minutos para experimentar a solução de alojamento Redis cloud da Stackhero!

Para declarar um campo vetorial, indique a sua dimensão e a métrica de distância. A dimensão deve corresponder ao seu modelo de embedding: por exemplo, 1536 para o OpenAI text-embedding-3-small, 768 para muitos modelos open source, etc.

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 cria um índice em grafo que mantém as consultas rápidas à medida que a sua coleção cresce, sendo uma boa escolha para coleções com mais de alguns milhares de vetores. Para coleções pequenas onde a precisão exata é prioritária, pode usar FLAT para pesquisa exaustiva.

COSINE é a métrica recomendada para a maioria dos modelos de embeddings de texto. Também pode optar por L2 ou IP se o seu caso de uso o exigir.