Ricerca e-commerce
Gli acquirenti scrivono quello che vogliono con parole proprie. Il catalogo viene cercato per significato e filtrato sulla categoria e sul negozio in cui si trovano.
IA e LLMRetrieval
Ricerca per similarità vettoriale
Trova gli elementi più vicini per significato, filtrati per tag, dentro lo stesso motore che contiene gli elementi stessi.
- indicizzata
- HNSW
- ricerca media
- O(log N)
- metriche di distanza
- 3
Passo 1 di 6
Crea l'indice
Dimensioni e metrica sono fisse per indice. I parametri HNSW si possono regolare quando serve.
Sessione di esempioplaying
# Crea l'indice
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Una dimostrazione animata con comandi HotKV reali e risposte di esempio. Clicca su un passo qualsiasi per andarci. Comandi e risposte restano in inglese, esattamente come li digiti e li vedi in HotKV.
Il problema
Ricerca semantica, "altri simili" e deduplicazione si riducono tutti a una domanda. Quali elementi salvati sono più vicini a questo? Per rispondere di solito serve un database vettoriale dedicato accanto allo store principale, e ogni aggiornamento di prodotto deve essere scritto in entrambi.
Come lo gestisce HotKV
HotKV mantiene gli indici vettoriali HNSW nel motore. I dati dei prodotti vivono in chiavi normali, i vettori sono indicizzati con gli stessi nomi di chiave e i tag su quelle chiavi permettono a una ricerca di restare dentro una categoria o un tenant. Un solo percorso di scrittura, un solo sistema da gestire.
Passo dopo passo
Cosa succede, comando per comando
- 01
Crea l'indice
Dimensioni e metrica sono fisse per indice. I parametri HNSW si possono regolare quando serve.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Salva il prodotto
I dati del prodotto sono un normale hash, con il nome di chiave che userà l'indice.
HSET sku:1 name "Trail runner" price 89 - 03
Aggiungi i tag
I tag sulla chiave permettono a una ricerca vettoriale di restare dentro una categoria.
TAG.SET sku:1 shoes running - 04
Indicizza il suo vettore
Il vettore entra nell'indice con lo stesso nome di chiave.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Cerca per significato, dentro un tag
Il testo della query viene trasformato in embedding, e tornano i prodotti più vicini che hanno il tag, con le loro distanze.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Recupera cosa mostrare
I risultati sono nomi di chiave, quindi i dati del prodotto sono a una lettura di distanza nello stesso server.
HGETALL sku:1
Dove si usa
Scenari reali
Rilevamento dei duplicati
Nuovi ticket di supporto o annunci vengono confrontati con quelli esistenti, e i quasi duplicati vengono uniti prima che li veda una persona.
Similarità di immagini e media
Gli embedding di un modello per immagini trovano foto o clip visivamente simili in tutta una libreria.
Integrato
Cosa ottieni
Indici HNSW
Ricerca approssimata dei vicini più prossimi che resta veloce su indici grandi, O(log N) in media.
VSIM.CREATEINDEXVSIM.SEARCHTre metriche
Coseno, L2 e prodotto scalare, scelti per indice.
METRICFiltri per tag
Limita una ricerca alle chiavi che hanno tutti i tag indicati.
TAG.SETFILTERPersistente
Gli indici vengono conservati negli snapshot e nelle riscritture AOF come il resto dei tuoi dati.
VSIM.INFODomande frequenti
HotKV genera gli embedding?
No. Crea i vettori con il modello di embedding che preferisci e salvali con VSIM.SET.
In cosa è diversa dalle pipeline RAG?
VSIM è l'indice vettoriale generico. Le pipeline RAG si basano sulla stessa idea e aggiungono chunking, metadati e ricerca ibrida per parole chiave per i documenti.
Quali piani la includono?
La ricerca vettoriale e i tag sono comandi core e funzionano su ogni piano, senza bisogno di licenza.
Casi d'uso correlati
Provalo sul tuo carico di lavoro
HotKV parla il protocollo Redis, quindi puoi puntarci un client esistente ed eseguire questi stessi comandi.