Valkey: 创建向量索引

本文件是向量搜索与RAG指南的一部分。您可以在这里查看完整指南：使用Valkey进行语义搜索、推荐和检索增强生成（RAG）。

👋 欢迎来到 Stackhero 文档！

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

• 内置 Valkey Admin Web 管理界面。
• 无限制的消息大小与传输。
• 只需一键即可轻松完成更新。
• 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 cloud hosting 解决方案！

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为1536维，许多开源模型为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。对于超过几千条向量的集合，推荐使用此方式。对于小型集合，也可以选择FLAT进行精确、全量搜索。

COSINE通常是文本embedding最优的距离度量方式。系统同样支持L2和IP等度量。