Valkey: 创建向量索引

本文档属于向量搜索与RAG指南的一部分。您可以在此处查看完整指南：使用Valkey进行语义搜索、推荐和检索增强生成（RAG）。

👋 欢迎查阅 Stackhero 文档！

Stackhero 提供即开即用的 Valkey 云端 解决方案，带来多项优势，包括：

• 集成 Valkey Admin Web 管理界面。
• 无限制的消息大小与传输。
• 一键完成升级，操作便捷。
• 基于专属私有基础设施，实现卓越性能与强大安全性。

节省时间，简化您的工作流程：只需 5 分钟即可体验 Stackhero 的 Valkey 云托管 方案！

声明向量字段时需指定其维度和距离度量方式。维度需与您的模型一致：例如，OpenAI的 text-embedding-3-small 需1536维，许多开源模型则为768维。

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 会创建图索引，即使数据量很大也能实现高效的近似搜索。对于几千条以上的向量集合，推荐使用HNSW。对于小型集合，可以使用 FLAT 进行精确、暴力搜索。

COSINE 通常是文本embedding的最佳距离度量方式。也支持 L2 和 IP 度量。