Busca em e-commerce
Os clientes digitam o que querem com as próprias palavras. O catálogo é pesquisado pelo significado e filtrado pela categoria e pela loja em que eles estão.
IA e LLMRecuperação
Busca por similaridade vetorial
Encontre os itens mais próximos pelo significado, filtrados por tag, dentro do mesmo motor que guarda os próprios itens.
- indexado
- HNSW
- busca média
- O(log N)
- métricas de distância
- 3
Etapa 1 de 6
Crie o índice
As dimensões e a métrica são fixas por índice. Os parâmetros do HNSW podem ser ajustados quando necessário.
Sessão de exemploplaying
# Crie o índice
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Uma demonstração animada com comandos reais do HotKV e respostas de exemplo. Clique em qualquer etapa para ir direto a ela. Os comandos e as respostas ficam em inglês, exatamente como você os digita e vê no HotKV.
O problema
Busca semântica, "mais itens como este" e deduplicação se resumem a uma pergunta. Quais itens armazenados estão mais perto deste? Responder costuma exigir um banco de dados vetorial dedicado ao lado do armazenamento principal, e cada atualização de produto precisa ser gravada nos dois.
Como o HotKV resolve
O HotKV mantém índices vetoriais HNSW no motor. Os dados dos produtos ficam em chaves comuns, os vetores são indexados com os mesmos nomes de chave, e as tags nessas chaves permitem que uma busca fique dentro de uma categoria ou de um tenant. Um caminho de escrita, um sistema para operar.
Passo a passo
O que acontece, comando por comando
- 01
Crie o índice
As dimensões e a métrica são fixas por índice. Os parâmetros do HNSW podem ser ajustados quando necessário.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Armazene o produto
Os dados do produto são um hash comum, sob o nome de chave que o índice vai usar.
HSET sku:1 name "Trail runner" price 89 - 03
Aplique tags
As tags na chave permitem que uma busca vetorial fique dentro de uma categoria.
TAG.SET sku:1 shoes running - 04
Indexe o vetor
O vetor entra no índice sob o mesmo nome de chave.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Busque pelo significado, dentro de uma tag
O texto da consulta vira embedding, e os produtos mais próximos que têm a tag voltam com as suas distâncias.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Busque o que exibir
Os resultados são nomes de chave, então os dados do produto estão a uma leitura de distância no mesmo servidor.
HGETALL sku:1
Onde se encaixa
Cenários reais
Detecção de duplicatas
Novos tickets de suporte ou anúncios são comparados com os existentes, e quase duplicatas são mescladas antes que uma pessoa as veja.
Similaridade de imagens e mídia
Embeddings de um modelo de imagem encontram fotos ou clipes visualmente parecidos em todo um acervo.
Integrado
O que você ganha
Índices HNSW
Busca aproximada de vizinhos mais próximos que continua rápida em índices grandes, O(log N) em média.
VSIM.CREATEINDEXVSIM.SEARCHTrês métricas
Cosseno, L2 e produto interno, escolhidos por índice.
METRICFiltros por tag
Restrinja uma busca às chaves que têm todas as tags informadas.
TAG.SETFILTERPersistente
Os índices são mantidos nos seus snapshots e nas reescritas do AOF, como o resto dos seus dados.
VSIM.INFOPerguntas frequentes
O HotKV gera os embeddings?
Não. Crie os vetores com o modelo de embedding que preferir e armazene-os com VSIM.SET.
Qual a diferença em relação aos pipelines de RAG?
O VSIM é o índice vetorial de uso geral. Os pipelines de RAG partem da mesma ideia e acrescentam chunking, metadados e busca híbrida por palavras-chave para documentos.
Quais planos incluem o recurso?
A busca vetorial e as tags são comandos essenciais e funcionam em todos os planos, sem precisar de licença.
Casos de uso relacionados
Experimente com a sua própria carga de trabalho
O HotKV fala o protocolo Redis, então você pode apontar um cliente existente para ele e executar estes mesmos comandos.