Redis for AI 文档

Redis for AI 文档概述

Redis 存储在语义上表示非结构化数据（包括文本段落、图像、视频或音频）的向量嵌入并为其编制索引。将向量和关联的元数据存储在哈希或 JSON 文档中，以便进行索引和查询。

向量	抹布	RedisVL
Redis 矢量数据库快速入门指南	Retrieval-Augmented Generation 快速入门指南	Redis 矢量 Python 客户端库文档

概述

此页面分为几个部分，具体取决于您要尝试执行的作：

• 作方法 - 每个功能、API 和设置的综合参考部分。它是支持任何开发级别的详细技术信息的来源。
• 概念 - 基本思想和核心原则的解释，帮助您了解产品功能和设计背后的原因。
• 快速入门 - 简短、重点突出的指南，让您在几分钟内开始使用关键功能或工作流程。
• 教程 - 深入探讨特定使用案例或流程的深入演练。这些分步指南可帮助您掌握基本任务和工作流程。
• 集成 - 帮助您将产品与常用工具、框架或平台连接和使用起来的指南和资源。
• 基准 - 性能比较和指标，用于展示商品在各种情况下的表现。这有助于您了解其效率和功能。
• 最佳实践 - 最大限度地提高效率和避免常见陷阱的建议和指南。本部分使您能够有效且高效地使用该产品。

如何作

1. 创建矢量索引：Redis 使用定义的架构（包括矢量字段和元数据）维护数据的二级索引。Redis 支持FLAT和HNSW向量索引类型。
2. 存储和更新向量：Redis 将向量和元数据存储在哈希或 JSON 对象中。
3. 使用向量搜索：Redis 支持多种带有向量字段的高级查询策略，包括 k 最近邻 （KNN）、向量范围查询和元数据过滤器。
4. 在运行时配置向量查询。选择最佳筛选模式以优化查询执行。

概念

了解如何在 AI/ML 项目中执行向量搜索并使用网关和语义缓存。

搜索	LLM 内存	语义缓存	语义路由	AI 网关
载体搜索指南	存储 LLM 的内存	语义缓存，实现更快、更智能的 LLM 应用程序	语义路由选择最佳工具	使用 Redis 部署增强型网关

快速入门

当您尝试构建特定功能时，快速入门或配方非常有用。例如，您可能希望使用 LangChain 执行 RAG 或为您的 AI 代理设置 LLM 内存。开始使用以下 Redis Python 笔记本。

• 如果您是 Redis 的新手，可以从这里开始

混合搜索和向量搜索

向量搜索根据高维数字嵌入的相似性检索结果，而混合搜索将其与传统的基于关键字或元数据的过滤相结合，以获得更全面的结果。

• 使用 Redis 实现混合搜索
• 使用 Redis Python 客户端进行向量搜索
• 使用 Redis Vector Library 进行向量搜索

抹布

检索增强生成（又名 RAG）是一种增强 LLM 响应用户查询能力的技术。RAG 的检索部分由向量数据库支持，向量数据库可以将语义相关的结果返回给用户的查询，作为上下文信息来增强 LLM 的生成能力。

• 使用 Redis 矢量库从头开始 RAG
• 使用 Redis 和 LangChain 的 RAG
• 使用 Redis 和 LlamaIndex 的 RAG
• 高级 RAG 与 redisvl
• 使用 Redis 和 Nvidia 的 RAG
• 利用 RAGAS 框架评估 RAG 性能
• 使用 Azure 进行向量搜索
• 使用 Spring AI 的 RAG
• 带有 Vertex AI 的 RAG
• 用于提高 RAG 质量的其他提示和技巧的笔记本

代理

AI 代理可以自主行动，为用户规划和执行任务。

• 用于开始使用 LangGraph 和代理的笔记本
• 使用 Redis 进行数据存储，使用 CrewAI 进行基于代理的任务执行，并使用 LangGraph 进行工作流程管理，构建协作电影推荐系统。

LLM 内存

LLM 是无状态的。为了在对话中维护上下文，必须存储聊天会话并将其重新发送到 LLM。Redis 管理聊天会话的存储和检索，以保持上下文和对话相关性。

• 具有语义相似性的 LLM 会话管理器
• 使用一个实例处理多个同时聊天

语义缓存

估计 31% 的 LLM 查询可能是冗余的。Redis 支持语义缓存，以帮助快速降低 LLM 成本。

• 使用 Doc2Cache 框架和 Llama3.1 构建语义缓存
• 使用 Redis 和 Google Gemini 构建语义缓存

计算机视觉

使用 Facenet 嵌入模型和 RedisVL 构建面部识别系统。

• 面部识别

推荐系统

• 使用 redisvl 的介绍内容过滤示例
• 使用 redisvl 的协作过滤示例

教程

需要更深入地了解不同的用例和主题？

抹布

• 代理 RAG – 重点介绍使用 LlamaIndex 和 Amazon Bedrock 的代理 RAG 的教程
• Vertex AI 上的 RAG - 以 Redis 和 Vertex AI 为特色的 RAG 教程
• RAG 工作台 - 使用 Redis 探索 RAG 技术的开发游乐场

推荐系统

• 带有NVIDIA Merlin和Redis的推荐系统 - 三个例子，每个都增加了复杂性，展示了使用NVIDIA和Redis构建实时recsys的过程
• Redis 产品搜索 - 使用全文搜索、向量相似性和实时数据更新等功能构建实时产品搜索引擎

生态系统集成

• Amazon Bedrock 设置指南
• LangChain Redis 软件包：具有高级矢量存储和更快缓存的更智能的 AI 应用程序
• Redis 的 LlamaIndex 集成作为向量存储
• Redis Cloud 在 Vercel 上可用
• 使用 Vercel 集成创建 Redis Cloud 数据库
• 使用 Redis 和 Spring AI 构建 RAG 应用程序
• 使用 Redis 和 NVIDIA NIM 更快地部署 GenAI 应用程序
• 使用 Kernel Memory 和 Redis 构建 LLM 应用程序
• Jina AI 将 Redis 作为矢量数据库的 DocArray 集成

基准

了解我们如何与竞争对手抗衡。

• Redis 向量基准测试结果
• 10 亿个向量

最佳实践

了解行业领导者如何构建他们的 RAG 应用程序。

• 高级 RAG 示例
• 使用 Ragas 获得更好的 RAG 响应