Valkey: Node.js 的 RAG 流程範例
此文件屬於向量搜尋與 RAG指南的一部分。請在此處查看完整指南：使用 Valkey 進行語意搜尋、推薦系統及檢索增強生成（Retrieval-Augmented Generation）。
👋 歡迎瀏覽 Stackhero 文件！
Stackhero 提供即開即用的 Valkey cloud 方案，帶來多項優勢，包括：
- 已包含
Valkey Admin網頁管理介面。- 無限訊息大小及傳輸量。
- 一鍵輕鬆完成更新。
- 以專屬私有基礎設施提供最佳效能及強大安全性。
節省時間，簡化您的工作流程：只需 5 分鐘即可體驗 Stackhero 的 Valkey cloud hosting 方案！
Valkey 採用與 Redis 相同的協議，因此您可以使用任何 Redis 相容的 client。
import { createClient, SCHEMA_FIELD_TYPE, SCHEMA_VECTOR_FIELD_ALGORITHM } from 'redis';
const client = createClient({ url: process.env.STACKHERO_VALKEY_URL_TLS });
await client.connect();
const DIMENSIONS = 1536;
const toBytes = embedding => Buffer.from(new Float32Array(embedding).buffer);
// 1. 啟動時建立索引（只需一次）
try {
await client.ft.create(
'chunksIndex',
{
content: SCHEMA_FIELD_TYPE.TEXT,
documentId: SCHEMA_FIELD_TYPE.TAG,
embedding: {
type: SCHEMA_FIELD_TYPE.VECTOR,
ALGORITHM: SCHEMA_VECTOR_FIELD_ALGORITHM.HNSW,
TYPE: 'FLOAT32',
DIM: DIMENSIONS,
DISTANCE_METRIC: 'COSINE'
}
},
{ ON: 'HASH', PREFIX: 'chunk:' }
);
}
catch (error) {
if (!error.message.includes('Index already exists')) {
throw error;
}
}
// 2. 將片段（chunk）建立索引（embedding 由您的模型產生）
async function indexChunk({ id, documentId, content, embedding }) {
await client.hSet(`chunk:${id}`, {
content,
documentId,
embedding: toBytes(embedding)
});
}
// 3. 取得最接近問題的片段，並限制於單一文件
async function retrieve({ questionEmbedding, documentId, count = 5 }) {
const results = await client.ft.search(
'chunksIndex',
`@documentId:{${documentId}}=>[KNN ${count} @embedding $queryVector]`,
{ PARAMS: { queryVector: toBytes(questionEmbedding) } }
);
return results.documents.map(({ value }) => value.content);
}
// 4. 將這些片段作為 context 傳給您的模型
const context = await retrieve({ questionEmbedding, documentId: 'doc42' });
const prompt = `Answer using only this context:\n\n${context.join('\n\n')}\n\nQuestion: ${question}`;