E-commercezoekfunctie
Shoppers typen in hun eigen woorden wat ze willen. De catalogus wordt op betekenis doorzocht en gefilterd op de categorie en de winkel waarin ze zich bevinden.
AI en LLMRetrieval
Zoeken op vectorgelijkenis
Vind de dichtstbijzijnde items op betekenis, gefilterd op tag, in dezelfde engine die de items zelf bevat.
- geïndexeerd
- HNSW
- gemiddeld zoeken
- O(log N)
- afstandsmetrieken
- 3
Stap 1 van 6
De index aanmaken
Dimensies en metriek liggen per index vast. HNSW-parameters kunnen indien nodig worden afgesteld.
Voorbeeldsessieplaying
# De index aanmaken
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Een geanimeerde walkthrough met echte HotKV-commando's en voorbeeldantwoorden. Klik op een stap om ernaartoe te springen. Commando's en antwoorden blijven Engels, precies zoals je ze in HotKV typt en ziet.
Het probleem
Semantisch zoeken, "meer zoals dit" en deduplicatie komen allemaal neer op één vraag. Welke opgeslagen items liggen het dichtst bij dit item? Het beantwoorden daarvan betekent meestal een aparte vectordatabase naast je hoofdstore, en elke productupdate moet naar beide worden geschreven.
Hoe HotKV het aanpakt
HotKV houdt HNSW-vectorindexen in de engine. Productdata staat in gewone sleutels, de vectoren worden geïndexeerd onder dezelfde sleutelnamen en tags op die sleutels laten een zoekopdracht binnen een categorie of een tenant blijven. Eén schrijfpad, één systeem om te draaien.
Stap voor stap
Wat er gebeurt, commando voor commando
- 01
De index aanmaken
Dimensies en metriek liggen per index vast. HNSW-parameters kunnen indien nodig worden afgesteld.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Het product opslaan
De data van het product is een normale hash, onder de sleutelnaam die de index gaat gebruiken.
HSET sku:1 name "Trail runner" price 89 - 03
Taggen
Met tags op de sleutel blijft een vectorzoekopdracht binnen een categorie.
TAG.SET sku:1 shoes running - 04
De vector indexeren
De vector gaat onder dezelfde sleutelnaam in de index.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Zoeken op betekenis, binnen een tag
De querytekst wordt geëmbed en de dichtstbijzijnde producten met de tag komen terug met hun afstanden.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Ophalen wat je toont
De resultaten zijn sleutelnamen, dus de productdata is één read verwijderd op dezelfde server.
HGETALL sku:1
Waar het past
Praktijkscenario's
Detectie van duplicaten
Nieuwe supporttickets of advertenties worden vergeleken met bestaande, en bijna-duplicaten worden samengevoegd voordat een mens ze ziet.
Gelijkenis van beeld en media
Embeddings van een beeldmodel vinden visueel vergelijkbare foto's of clips in een bibliotheek.
Ingebouwd
Wat je krijgt
HNSW-indexen
Benaderend dichtstbijzijnde-buurzoeken dat snel blijft op grote indexen, gemiddeld O(log N).
VSIM.CREATEINDEXVSIM.SEARCHDrie metrieken
Cosinus, L2 en inwendig product, te kiezen per index.
METRICTagfilters
Beperk een zoekopdracht tot sleutels die elke opgegeven tag dragen.
TAG.SETFILTERPersistent
Indexen worden bewaard in je snapshots en AOF-herschrijvingen, zoals de rest van je data.
VSIM.INFOVeelgestelde vragen
Genereert HotKV de embeddings?
Nee. Maak vectoren met het embeddingmodel van je voorkeur en sla ze op met VSIM.SET.
Hoe verschilt dit van RAG-pipelines?
VSIM is de algemene vectorindex. RAG-pipelines bouwen op hetzelfde idee voort en voegen chunking, metadata en hybride trefwoordzoekfunctie voor documenten toe.
Welke plannen bevatten het?
Vectorzoeken en tags zijn kerncommando's en werken op elk plan, zonder licentie.
Verwante use cases
Probeer het op je eigen workload
HotKV spreekt het Redis-protocol, dus je kunt een bestaande client erop richten en dezelfde commando's uitvoeren.