Sökning i e-handel
Kunder skriver vad de vill ha med egna ord. Katalogen söks efter betydelse och filtreras på den kategori och butik de befinner sig i.
AI och LLMHämtning
Vektorlikhetssökning
Hitta de närmaste objekten efter betydelse, filtrerade på tagg, i samma motor som håller själva objekten.
- indexerat
- HNSW
- genomsnittlig sökning
- O(log N)
- avståndsmått
- 3
Steg 1 av 6
Skapa indexet
Dimensioner och mått är fasta per index. HNSW-parametrarna kan justeras vid behov.
Exempelsessionplaying
# Skapa indexet
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
En animerad genomgång med riktiga HotKV-kommandon och exempelsvar. Klicka på valfritt steg för att hoppa dit. Kommandon och svar förblir på engelska, precis som du skriver och ser dem i HotKV.
Problemet
Semantisk sökning, ”mer som det här” och deduplicering handlar alla om en enda fråga. Vilka lagrade objekt ligger närmast det här? Att besvara den innebär oftast en dedikerad vektordatabas bredvid ditt huvudlager, och varje produktuppdatering måste skrivas till båda.
Så löser HotKV det
HotKV håller HNSW-vektorindex i motorn. Produktdata ligger i vanliga nycklar, vektorerna indexeras under samma nyckelnamn, och taggar på de nycklarna låter en sökning stanna inom en kategori eller en tenant. En skrivväg, ett system att drifta.
Steg för steg
Vad som händer, kommando för kommando
- 01
Skapa indexet
Dimensioner och mått är fasta per index. HNSW-parametrarna kan justeras vid behov.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Lagra produkten
Produktens data är en vanlig hash, under det nyckelnamn som indexet kommer att använda.
HSET sku:1 name "Trail runner" price 89 - 03
Tagga den
Taggar på nyckeln låter en vektorsökning stanna inom en kategori.
TAG.SET sku:1 shoes running - 04
Indexera dess vektor
Vektorn läggs i indexet under samma nyckelnamn.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Sök efter betydelse, inom en tagg
Frågetexten bäddas in, och de närmaste produkterna som har taggen kommer tillbaka med sina avstånd.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Hämta det som ska visas
Resultaten är nyckelnamn, så produktdatan är en läsning bort i samma server.
HGETALL sku:1
Där det passar
Verkliga scenarier
Upptäckt av dubbletter
Nya supportärenden eller annonser jämförs med befintliga, och nästan identiska slås ihop innan en människa ser dem.
Likhet mellan bilder och media
Embeddings från en bildmodell hittar visuellt liknande foton eller klipp i ett bibliotek.
Inbyggt
Det här får du
HNSW-index
Approximativ närmaste-granne-sökning som förblir snabb på stora index, O(log N) i genomsnitt.
VSIM.CREATEINDEXVSIM.SEARCHTre mått
Cosinus, L2 och inre produkt, valda per index.
METRICTaggfilter
Begränsa en sökning till nycklar som har alla angivna taggar.
TAG.SETFILTERBeständig
Index sparas i dina snapshots och AOF-omskrivningar som resten av din data.
VSIM.INFOVanliga frågor
Genererar HotKV embeddings?
Nej. Skapa vektorer med den embedding-modell du föredrar och lagra dem med VSIM.SET.
Hur skiljer det sig från RAG-pipelines?
VSIM är det allmänna vektorindexet. RAG-pipelines bygger på samma idé och lägger till uppdelning, metadata och hybridsökning med nyckelord för dokument.
Vilka planer innehåller den?
Vektorsökning och taggar är kärnkommandon och fungerar i alla planer, utan licens.
Relaterade användningsfall
Prova på din egen arbetslast
HotKV talar Redis-protokollet, så du kan peka en befintlig klient mot det och köra samma kommandon.