Поиск в электронной коммерции
Покупатели вводят, что им нужно, своими словами. Каталог ищется по смыслу и фильтруется по категории и магазину, в котором они находятся.
ИИ и LLMПоиск
Векторный поиск по сходству
Находите ближайшие элементы по смыслу, с фильтром по тегам, в том же движке, который хранит сами элементы.
- индексирован
- HNSW
- средний поиск
- O(log N)
- метрики расстояния
- 3
Шаг 1 из 6
Создаём индекс
Размерность и метрика фиксируются для каждого индекса. Параметры HNSW при необходимости можно настроить.
Пример сеансаplaying
# Создаём индекс
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Анимированная демонстрация с настоящими командами HotKV и примерами ответов. Нажмите на любой шаг, чтобы перейти к нему. Команды и ответы остаются на английском, ровно так, как вы вводите и видите их в HotKV.
Проблема
Семантический поиск, «ещё такое же» и дедупликация сводятся к одному вопросу: какие из сохранённых элементов ближе всего к этому? Чтобы ответить на него, обычно нужна отдельная векторная база данных рядом с основным хранилищем, и каждое обновление товара приходится записывать в обе.
Как с этим справляется HotKV
HotKV хранит векторные индексы HNSW в движке. Данные товаров лежат в обычных ключах, векторы индексируются под теми же именами ключей, а теги на этих ключах позволяют поиску оставаться внутри категории или арендатора. Один путь записи, одна система для запуска.
Шаг за шагом
Что происходит, команда за командой
- 01
Создаём индекс
Размерность и метрика фиксируются для каждого индекса. Параметры HNSW при необходимости можно настроить.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Сохраняем товар
Данные товара - обычный хеш под именем ключа, которое будет использовать индекс.
HSET sku:1 name "Trail runner" price 89 - 03
Добавляем теги
Теги на ключе позволяют векторному поиску оставаться внутри категории.
TAG.SET sku:1 shoes running - 04
Индексируем вектор
Вектор попадает в индекс под тем же именем ключа.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Поиск по смыслу в пределах тега
Текст запроса превращается в эмбеддинг, и ближайшие товары с этим тегом возвращаются вместе с расстояниями.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Получаем то, что показать
Результатами являются имена ключей, поэтому данные товара доступны одним чтением на том же сервере.
HGETALL sku:1
Где это уместно
Реальные сценарии
Обнаружение дубликатов
Новые обращения в поддержку или объявления сравниваются с существующими, а почти дубликаты объединяются до того, как их увидит человек.
Сходство изображений и медиа
Эмбеддинги из модели изображений находят визуально похожие фотографии или клипы во всей библиотеке.
Встроено
Что вы получаете
Индексы HNSW
Приближённый поиск ближайших соседей, который остаётся быстрым на больших индексах, в среднем O(log N).
VSIM.CREATEINDEXVSIM.SEARCHТри метрики
Cosine, L2 и inner product, выбираются для каждого индекса.
METRICФильтры по тегам
Ограничивайте поиск ключами, которые несут все заданные теги.
TAG.SETFILTERСохраняется
Индексы хранятся в ваших снимках и перезаписях AOF, как и остальные данные.
VSIM.INFOЧастые вопросы
Создаёт ли HotKV эмбеддинги?
Нет. Создавайте векторы нужной вам моделью эмбеддингов и сохраняйте их через VSIM.SET.
Чем это отличается от конвейеров RAG?
VSIM - это универсальный векторный индекс. Конвейеры RAG строятся на той же идее и добавляют разбиение на фрагменты, метаданные и гибридный ключевой поиск по документам.
Какие тарифы это включают?
Векторный поиск и теги - основные команды и работают на любом тарифе, лицензия не нужна.
Связанные сценарии
Попробуйте на своей нагрузке
HotKV понимает протокол Redis, поэтому вы можете подключить к нему существующий клиент и выполнить те же команды.