E-kereskedelmi keresés
A vásárlók a saját szavaikkal írják be, mit szeretnének. A katalógusban jelentés alapján keresnek, és arra a kategóriára és boltra szűkítik, ahol éppen vannak.
AI és LLMKeresés
Vektorhasonlósági keresés
Keresse meg a legközelebbi elemeket jelentés alapján, címkével szűrve, ugyanabban a motorban, amely magukat az elemeket tárolja.
- indexelve
- HNSW
- átlagos keresés
- O(log N)
- távolságmetrika
- 3
Lépés 1 / 6
Az index létrehozása
A dimenziók és a metrika indexenként rögzítettek. A HNSW paraméterei szükség esetén hangolhatók.
Példa munkamenetplaying
# Az index létrehozása
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Animált bemutató valódi HotKV-parancsokkal és példa-válaszokkal. Kattintson bármelyik lépésre, hogy odaugorjon. A parancsok és a válaszok angolul maradnak, pontosan úgy, ahogy begépeli és látja őket a HotKV-ban.
A probléma
A szemantikus keresés, a „többet ebből” és a duplikátumok kiszűrése egyetlen kérdésre vezethető vissza. Mely tárolt elemek vannak a legközelebb ehhez? A válaszhoz általában a fő tároló mellett külön vektoradatbázis kell, és minden termékfrissítést mindkettőbe meg kell írni.
Hogyan kezeli a HotKV
A HotKV a HNSW-vektorindexeket a motorban tartja. A termékadatok hagyományos kulcsokban élnek, a vektorok ugyanazon kulcsnevek alatt vannak indexelve, a kulcsokon lévő címkék pedig lehetővé teszik, hogy a keresés egy kategórián vagy bérlőn belül maradjon. Egyetlen írási útvonal, egyetlen üzemeltetendő rendszer.
Lépésről lépésre
Mi történik, parancsról parancsra
- 01
Az index létrehozása
A dimenziók és a metrika indexenként rögzítettek. A HNSW paraméterei szükség esetén hangolhatók.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
A termék tárolása
A termék adatai egy hagyományos hash, azon a kulcsnéven, amelyet az index használni fog.
HSET sku:1 name "Trail runner" price 89 - 03
Címkézés
A kulcson lévő címkék lehetővé teszik, hogy a vektorkeresés egy kategórián belül maradjon.
TAG.SET sku:1 shoes running - 04
A vektor indexelése
A vektor ugyanazon a kulcsnéven kerül az indexbe.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Keresés jelentés alapján, egy címkén belül
A lekérdezés szövegéből embedding készül, és a címkét viselő legközelebbi termékek a távolságukkal együtt jönnek vissza.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
A megjelenítendők lekérése
Az eredmények kulcsnevek, így a termékadatok egyetlen olvasásra vannak ugyanazon a szerveren.
HGETALL sku:1
Hol használható
Valós helyzetek
Duplikátumok felismerése
Az új támogatási jegyeket vagy hirdetéseket összehasonlítják a meglévőkkel, és a majdnem azonosakat egyesítik, mielőtt ember látná őket.
Kép- és médiahasonlóság
Egy képmodell embeddingjei vizuálisan hasonló fényképeket vagy klipeket találnak egy könyvtárban.
Beépítve
Amit kap
HNSW-indexek
Hozzávetőleges legközelebbi szomszéd keresés, amely nagy indexeken is gyors marad, átlagosan O(log N).
VSIM.CREATEINDEXVSIM.SEARCHHárom metrika
Koszinusz, L2 és belső szorzat, indexenként választva.
METRICCímkeszűrők
A keresést azokra a kulcsokra korlátozza, amelyek minden megadott címkét viselnek.
TAG.SETFILTERPerzisztens
Az indexek a pillanatképekben és az AOF-átírásokban is megmaradnak, mint az adatai többi része.
VSIM.INFOGyakori kérdések
A HotKV generálja az embeddingeket?
Nem. Hozza létre a vektorokat az Ön által választott embedding modellel, és tárolja őket a VSIM.SET-tel.
Miben különbözik a RAG-folyamatoktól?
A VSIM az általános vektorindex. A RAG-folyamatok ugyanerre az ötletre épülnek, és darabolást, metaadatokat és hibrid kulcsszavas keresést adnak dokumentumokhoz.
Mely csomagok tartalmazzák?
A vektorkeresés és a címkék alapparancsok, minden csomagon működnek, licenc nélkül.
Kapcsolódó felhasználási esetek
Próbálja ki a saját munkaterhelésén
A HotKV a Redis protokollt beszéli, így egy meglévő klienst ráirányíthat, és lefuttathatja ugyanezeket a parancsokat.