Valkey: 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 Valkey.

👋 Bem-vindo à documentação da Stackhero!

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

• Interface web Valkey Admin 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 Valkey cloud hosting da Stackhero!

Declare um campo vetorial especificando a sua dimensão e a métrica de distância. A dimensão deve corresponder ao seu modelo: por exemplo, 1536 para o OpenAI text-embedding-3-small, ou 768 para muitos modelos 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 cria um índice em grafo, permitindo pesquisas aproximadas rápidas mesmo quando a coleção cresce. É recomendado para coleções superiores a alguns milhares de vetores. Para coleções pequenas, pode usar FLAT para pesquisa exata e exaustiva.

COSINE é normalmente a melhor métrica de distância para embeddings de texto. As métricas L2 e IP também são suportadas.