Pencarian e-commerce
Pembeli mengetik apa yang mereka inginkan dengan kata-kata mereka sendiri. Katalog dicari berdasarkan makna dan difilter ke kategori dan toko tempat mereka berada.
AI dan LLMPengambilan data
Pencarian Kemiripan Vektor
Temukan item terdekat berdasarkan makna, difilter dengan tag, di dalam mesin yang sama yang menyimpan item itu sendiri.
- terindeks
- HNSW
- pencarian rata-rata
- O(log N)
- metrik jarak
- 3
Langkah 1 dari 6
Buat indeks
Dimensi dan metrik ditetapkan per indeks. Parameter HNSW dapat disetel bila diperlukan.
Sesi contohplaying
# Buat indeks
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Panduan beranimasi dengan perintah HotKV yang sebenarnya dan balasan contoh. Klik langkah mana pun untuk melompat ke sana. Perintah dan balasan tetap dalam bahasa Inggris, persis seperti yang Anda ketik dan lihat di HotKV.
Masalahnya
Pencarian semantik, "more like this", dan deduplikasi semuanya bermuara pada satu pertanyaan. Item tersimpan mana yang paling dekat dengan yang ini? Menjawabnya biasanya berarti vector database khusus di samping store utama Anda, dan setiap pembaruan produk harus ditulis ke keduanya.
Cara HotKV menanganinya
HotKV menyimpan indeks vektor HNSW di dalam mesin. Data produk berada di kunci biasa, vektor diindeks dengan nama kunci yang sama, dan tag pada kunci itu memungkinkan pencarian tetap berada dalam satu kategori atau satu tenant. Satu jalur penulisan, satu sistem untuk dijalankan.
Langkah demi langkah
Apa yang terjadi, perintah demi perintah
- 01
Buat indeks
Dimensi dan metrik ditetapkan per indeks. Parameter HNSW dapat disetel bila diperlukan.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Simpan produk
Data produk adalah hash biasa, dengan nama kunci yang akan dipakai indeks.
HSET sku:1 name "Trail runner" price 89 - 03
Beri tag
Tag pada kunci memungkinkan pencarian vektor tetap berada dalam satu kategori.
TAG.SET sku:1 shoes running - 04
Indeks vektornya
Vektor masuk ke indeks dengan nama kunci yang sama.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Cari berdasarkan makna, dalam satu tag
Teks kueri di-embed, dan produk terdekat yang memiliki tag itu kembali beserta jaraknya.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Ambil apa yang akan ditampilkan
Hasilnya adalah nama kunci, jadi data produk hanya satu pembacaan lagi di server yang sama.
HGETALL sku:1
Di mana ini cocok
Skenario dunia nyata
Deteksi duplikat
Tiket dukungan atau listing baru dibandingkan dengan yang sudah ada, dan duplikat yang hampir sama digabungkan sebelum manusia melihatnya.
Kemiripan gambar dan media
Embedding dari model gambar menemukan foto atau klip yang mirip secara visual di seluruh pustaka.
Bawaan
Yang Anda dapatkan
Indeks HNSW
Pencarian approximate nearest-neighbour yang tetap cepat pada indeks besar, O(log N) rata-rata.
VSIM.CREATEINDEXVSIM.SEARCHTiga metrik
Cosine, L2, dan inner product, dipilih per indeks.
METRICFilter tag
Batasi pencarian pada kunci yang memiliki setiap tag yang diberikan.
TAG.SETFILTERPersisten
Indeks disimpan dalam snapshot dan penulisan ulang AOF Anda seperti data lainnya.
VSIM.INFOPertanyaan umum
Apakah HotKV membuat embedding?
Tidak. Buat vektor dengan model embedding pilihan Anda dan simpan dengan VSIM.SET.
Apa bedanya dengan pipeline RAG?
VSIM adalah indeks vektor umum. Pipeline RAG dibangun di atas gagasan yang sama dan menambahkan chunking, metadata, dan pencarian kata kunci hibrida untuk dokumen.
Paket mana yang menyertakannya?
Vector search dan tag adalah perintah inti dan bekerja di setiap paket, tanpa memerlukan lisensi.
Kasus penggunaan terkait
Coba pada beban kerja Anda sendiri
HotKV berbicara protokol Redis, jadi Anda dapat mengarahkan klien yang sudah ada ke HotKV dan menjalankan perintah yang sama.