Suche im E-Commerce
Kunden tippen in eigenen Worten, was sie wollen. Der Katalog wird nach Bedeutung durchsucht und auf die Kategorie und den Shop gefiltert, in dem sie sich befinden.
KI und LLMRetrieval
Vektor-Ähnlichkeitssuche
Finden Sie die nächsten Elemente nach Bedeutung, gefiltert nach Tag, in derselben Engine, die auch die Elemente selbst hält.
- indexiert
- HNSW
- durchschnittliche Suche
- O(log N)
- Distanzmetriken
- 3
Schritt 1 von 6
Den Index anlegen
Dimensionen und Metrik sind pro Index fest. HNSW-Parameter lassen sich bei Bedarf anpassen.
Beispielsitzungplaying
# Den Index anlegen
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Ein animierter Durchlauf mit echten HotKV-Befehlen und Beispielantworten. Klicken Sie auf einen Schritt, um direkt dorthin zu springen. Befehle und Antworten bleiben auf Englisch, genau so, wie Sie sie in HotKV eingeben und sehen.
Das Problem
Semantische Suche, "mehr davon" und Deduplizierung laufen alle auf eine Frage hinaus. Welche gespeicherten Elemente liegen diesem am nächsten? Die Antwort darauf bedeutet meist eine eigene Vektordatenbank neben Ihrem Hauptspeicher, und jede Produktänderung muss in beide geschrieben werden.
So löst HotKV es
HotKV hält HNSW-Vektorindizes in der Engine. Produktdaten liegen in gewöhnlichen Keys, die Vektoren werden unter denselben Key-Namen indexiert, und Tags auf diesen Keys halten eine Suche innerhalb einer Kategorie oder eines Mandanten. Ein Schreibpfad, ein System im Betrieb.
Schritt für Schritt
Was passiert, Befehl für Befehl
- 01
Den Index anlegen
Dimensionen und Metrik sind pro Index fest. HNSW-Parameter lassen sich bei Bedarf anpassen.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Das Produkt speichern
Die Produktdaten sind ein normaler Hash, unter dem Key-Namen, den der Index verwenden wird.
HSET sku:1 name "Trail runner" price 89 - 03
Taggen
Tags auf dem Key halten eine Vektorsuche innerhalb einer Kategorie.
TAG.SET sku:1 shoes running - 04
Den Vektor indexieren
Der Vektor kommt unter demselben Key-Namen in den Index.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Nach Bedeutung suchen, innerhalb eines Tags
Der Anfragetext wird eingebettet, und die nächsten Produkte mit dem Tag kommen mit ihren Distanzen zurück.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Holen, was angezeigt wird
Die Ergebnisse sind Key-Namen, sodass die Produktdaten nur einen Lesezugriff im selben Server entfernt sind.
HGETALL sku:1
Wo es passt
Szenarien aus der Praxis
Dublettenerkennung
Neue Support-Tickets oder Angebote werden mit bestehenden verglichen, und Beinahe-Dubletten werden zusammengeführt, bevor ein Mensch sie sieht.
Ähnlichkeit von Bildern und Medien
Embeddings aus einem Bildmodell finden visuell ähnliche Fotos oder Clips in einer ganzen Bibliothek.
Integriert
Was Sie bekommen
HNSW-Indizes
Approximative Nächste-Nachbarn-Suche, die auch auf großen Indizes schnell bleibt, im Schnitt O(log N).
VSIM.CREATEINDEXVSIM.SEARCHDrei Metriken
Kosinus, L2 und Skalarprodukt, pro Index gewählt.
METRICTag-Filter
Beschränken Sie eine Suche auf Keys, die alle angegebenen Tags tragen.
TAG.SETFILTERPersistent
Indizes landen in Ihren Snapshots und AOF-Rewrites wie der Rest Ihrer Daten.
VSIM.INFOHäufige Fragen
Erzeugt HotKV die Embeddings?
Nein. Erstellen Sie Vektoren mit dem Embedding-Modell Ihrer Wahl und speichern Sie sie mit VSIM.SET.
Worin unterscheidet sich das von RAG-Pipelines?
VSIM ist der allgemeine Vektorindex. RAG-Pipelines bauen auf derselben Idee auf und ergänzen Chunking, Metadaten und hybride Stichwortsuche für Dokumente.
Welche Tarife enthalten sie?
Vektorsuche und Tags sind Kernbefehle und funktionieren in jedem Tarif, ohne Lizenz.
Verwandte Anwendungsfälle
Probieren Sie es mit Ihrer eigenen Workload
HotKV spricht das Redis-Protokoll, sodass Sie einen bestehenden Client darauf richten und genau diese Befehle ausführen können.