AI ו-LLMאחזור

חיפוש דמיון וקטורי

מוצאים את הפריטים הקרובים ביותר לפי משמעות, מסוננים לפי תגית, באותו מנוע שמחזיק את הפריטים עצמם.

מאונדקס
HNSW
חיפוש ממוצע
O(log N)
מדדי מרחק
3
צעד 1 מתוך 6
יוצרים את האינדקס

הממדים והמדד קבועים לכל אינדקס. אפשר לכוון את פרמטרי HNSW לפי הצורך.

סשן לדוגמהplaying
# יוצרים את האינדקס
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK

הדגמה מונפשת עם פקודות HotKV אמיתיות ותשובות לדוגמה. לחצו על כל שלב כדי לעבור אליו. הפקודות והתשובות נשארות באנגלית, בדיוק כפי שמקלידים ורואים ב-HotKV.

הבעיה

חיפוש סמנטי, "עוד כאלה" וזיהוי כפילויות מסתכמים כולם בשאלה אחת. אילו פריטים שמורים קרובים ביותר לזה? מענה עליה אומר בדרך כלל מסד נתונים וקטורי ייעודי לצד המאגר הראשי, וכל עדכון מוצר צריך להיכתב לשניהם.

איך HotKV מטפל בזה

HotKV מחזיק אינדקסי וקטורים מסוג HNSW במנוע. נתוני המוצר חיים במפתחות רגילים, הווקטורים מאונדקסים תחת אותם שמות מפתחות, ותגיות על המפתחות האלה מאפשרות לחיפוש להישאר בתוך קטגוריה או דייר. נתיב כתיבה אחד, מערכת אחת להפעיל.

צעד אחר צעד

מה קורה, פקודה אחר פקודה

  1. 01

    יוצרים את האינדקס

    הממדים והמדד קבועים לכל אינדקס. אפשר לכוון את פרמטרי HNSW לפי הצורך.

    VSIM.CREATEINDEX products 3 METRIC COSINE
  2. 02

    שומרים את המוצר

    נתוני המוצר הם hash רגיל, תחת שם המפתח שהאינדקס ישתמש בו.

    HSET sku:1 name "Trail runner" price 89
  3. 03

    מתייגים אותו

    תגיות על המפתח מאפשרות לחיפוש וקטורי להישאר בתוך קטגוריה.

    TAG.SET sku:1 shoes running
  4. 04

    מאנדקסים את הווקטור שלו

    הווקטור נכנס לאינדקס תחת אותו שם מפתח.

    VSIM.SET products sku:1 0.12 0.80 0.31
  5. 05

    מחפשים לפי משמעות, בתוך תגית

    טקסט השאילתה מקודד, והמוצרים הקרובים ביותר שנושאים את התגית חוזרים עם המרחקים שלהם.

    VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes
  6. 06

    שולפים מה להציג

    התוצאות הן שמות מפתחות, ולכן נתוני המוצר במרחק קריאה אחת באותו שרת.

    HGETALL sku:1
איפה זה מתאים

תרחישים מהעולם האמיתי

חיפוש במסחר אלקטרוני

קונים מקלידים מה שהם רוצים במילים שלהם. הקטלוג מחופש לפי משמעות ומסונן לקטגוריה ולחנות שבהן הם נמצאים.

זיהוי כפילויות

פניות תמיכה או מודעות חדשות מושוות לקיימות, וכמעט-כפילויות ממוזגות לפני שאדם רואה אותן.

דמיון בתמונות ובמדיה

embeddings ממודל תמונות מוצאים תמונות או קטעים דומים חזותית בכל הספרייה.

מובנה

מה מקבלים

אינדקסי HNSW

חיפוש שכן קרוב משוער שנשאר מהיר גם באינדקסים גדולים, O(log N) בממוצע.

VSIM.CREATEINDEXVSIM.SEARCH

שלושה מדדים

קוסינוס, L2 ומכפלה פנימית, שנבחרים לכל אינדקס.

METRIC

מסנני תגיות

מגבילים חיפוש למפתחות שנושאים את כל התגיות הנתונות.

TAG.SETFILTER

מתמיד

אינדקסים נשמרים בצילומי המצב ובשכתובי ה-AOF שלכם כמו שאר הנתונים.

VSIM.INFO
מקור:VSIM.CREATEINDEXVSIM.SETVSIM.SEARCH

שאלות נפוצות

האם HotKV יוצר את ה-embeddings?

לא. יוצרים וקטורים עם מודל ה-embedding שאתם מעדיפים ושומרים אותם עם VSIM.SET.

במה זה שונה מצינורות RAG?

VSIM הוא האינדקס הווקטורי הכללי. צינורות RAG בנויים על אותו רעיון ומוסיפים חלוקה למקטעים, מטא-דאטה וחיפוש מילות מפתח היברידי למסמכים.

אילו תוכניות כוללות אותו?

חיפוש וקטורי ותגיות הם פקודות ליבה ועובדים בכל תוכנית, בלי צורך ברישיון.

שימושים קשורים

התאמה אישית

המלצות בזמן אמת

המלצות אישיות בסבב קריאות אחד. פיצ'רים של המשתמש, פריטים דומים לפי וקטור ומה שעולה, בניכוי מה שכבר ראו.

לעיון
אחזור

עוזרי ידע מבוססי RAG

עונים על שאלות על המסמכים שלכם עם חלוקה למקטעים, מסנני מטא-דאטה, חיפוש היברידי של וקטורים ומילות מפתח וציוני דירוג מחדש במטמון, במנוע אחד.

לעיון
יישומי LLM

מטמון סמנטי לתשובות

שומרים במטמון תשובות LLM לפי משמעות ולא לפי טקסט מדויק, כך ששאלות מנוסחות אחרת פוגעות במטמון ומדלגות על הקריאה למודל.

לעיון

נסו על עומס העבודה שלכם

HotKV מדבר את פרוטוקול Redis, ולכן אפשר להפנות אליו לקוח קיים ולהריץ את אותן פקודות.

גישה מוקדמתהבא: המלצות