AI และ LLMการค้นคืนข้อมูล

การค้นหาความคล้ายของเวกเตอร์

หารายการที่ใกล้ที่สุดตามความหมาย กรองด้วยแท็ก ภายในเอนจินเดียวกับที่เก็บตัวรายการเอง

ทำดัชนีแล้ว
HNSW
การค้นหาโดยเฉลี่ย
O(log N)
เมตริกระยะ
3
ขั้นที่ 1 จาก 6
สร้างดัชนี

มิติและเมตริกถูกกำหนดตายตัวต่อดัชนี พารามิเตอร์ HNSW ปรับแต่งได้เมื่อจำเป็น

เซสชันตัวอย่างplaying
# สร้างดัชนี
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK

ตัวอย่างแบบแอนิเมชันพร้อมคำสั่ง HotKV จริงและคำตอบตัวอย่าง คลิกขั้นตอนใดก็ได้เพื่อข้ามไปยังขั้นนั้น คำสั่งและคำตอบยังคงเป็นภาษาอังกฤษ ตรงตามที่คุณพิมพ์และเห็นใน HotKV

ปัญหา

การค้นหาเชิงความหมาย "ที่คล้ายกัน" และการตรวจจับข้อมูลซ้ำ ล้วนลงเอยที่คำถามเดียว รายการใดที่เก็บไว้ใกล้กับรายการนี้ที่สุด การตอบมักหมายถึง vector database เฉพาะทางที่วางข้างที่เก็บข้อมูลหลักของคุณ และทุกการอัปเดตสินค้าต้องเขียนไปทั้งสองที่

HotKV จัดการอย่างไร

HotKV เก็บดัชนีเวกเตอร์ HNSW ไว้ในเอนจิน ข้อมูลสินค้าอยู่ในคีย์ธรรมดา เวกเตอร์ถูกทำดัชนีภายใต้ชื่อคีย์เดียวกัน และแท็กบนคีย์เหล่านั้นทำให้การค้นหาอยู่ภายในหมวดหมู่หรือผู้เช่าได้ เส้นทางการเขียนเดียว ระบบเดียวที่ต้องดูแล

ทีละขั้นตอน

เกิดอะไรขึ้นบ้าง ทีละคำสั่ง

  1. 01

    สร้างดัชนี

    มิติและเมตริกถูกกำหนดตายตัวต่อดัชนี พารามิเตอร์ HNSW ปรับแต่งได้เมื่อจำเป็น

    VSIM.CREATEINDEX products 3 METRIC COSINE
  2. 02

    เก็บสินค้า

    ข้อมูลของสินค้าเป็นแฮชธรรมดา ภายใต้ชื่อคีย์ที่ดัชนีจะใช้

    HSET sku:1 name "Trail runner" price 89
  3. 03

    ติดแท็ก

    แท็กบนคีย์ทำให้การค้นหาเวกเตอร์อยู่ภายในหมวดหมู่ได้

    TAG.SET sku:1 shoes running
  4. 04

    ทำดัชนีเวกเตอร์ของมัน

    เวกเตอร์เข้าไปอยู่ในดัชนีภายใต้ชื่อคีย์เดียวกัน

    VSIM.SET products sku:1 0.12 0.80 0.31
  5. 05

    ค้นหาด้วยความหมาย ภายในแท็ก

    ข้อความคำค้นถูกทำ embedding และสินค้าที่ใกล้ที่สุดซึ่งมีแท็กนั้นถูกส่งกลับพร้อมระยะห่าง

    VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes
  6. 06

    ดึงสิ่งที่จะแสดง

    ผลลัพธ์เป็นชื่อคีย์ ข้อมูลสินค้าจึงอยู่ห่างเพียงการอ่านหนึ่งครั้งในเซิร์ฟเวอร์เดียวกัน

    HGETALL sku:1
เหมาะกับงานแบบไหน

สถานการณ์จริง

การค้นหาอีคอมเมิร์ซ

ผู้ซื้อพิมพ์สิ่งที่ต้องการด้วยคำพูดของตนเอง ระบบค้นหาแคตตาล็อกตามความหมายและกรองตามหมวดหมู่และร้านค้าที่พวกเขาอยู่

การตรวจจับรายการซ้ำ

ทิกเก็ตซัพพอร์ตหรือประกาศใหม่ถูกเปรียบเทียบกับรายการที่มีอยู่ และรายการที่เกือบซ้ำกันถูกรวมก่อนที่มนุษย์จะเห็น

ความคล้ายของภาพและสื่อ

Embedding จากโมเดลภาพหาภาพถ่ายหรือคลิปที่ดูคล้ายกันได้ทั่วทั้งคลัง

อยู่ในตัว

สิ่งที่คุณได้รับ

ดัชนี HNSW

การค้นหาเพื่อนบ้านใกล้สุดแบบประมาณที่ยังเร็วบนดัชนีขนาดใหญ่ โดยเฉลี่ย O(log N)

VSIM.CREATEINDEXVSIM.SEARCH

สามเมตริก

Cosine, L2 และ inner product เลือกได้ต่อดัชนี

METRIC

ตัวกรองแท็ก

จำกัดการค้นหาเฉพาะคีย์ที่มีทุกแท็กที่ระบุ

TAG.SETFILTER

เก็บถาวร

ดัชนีถูกเก็บไว้ในสแนปช็อตและการเขียน AOF ใหม่ของคุณ เหมือนข้อมูลส่วนอื่น

VSIM.INFO
ข้อมูลอ้างอิง:VSIM.CREATEINDEXVSIM.SETVSIM.SEARCH

คำถามที่พบบ่อย

HotKV สร้าง embedding ให้ไหม

ไม่ สร้างเวกเตอร์ด้วยโมเดล embedding ที่คุณชอบ แล้วเก็บด้วย VSIM.SET

ต่างจาก RAG pipeline อย่างไร

VSIM คือดัชนีเวกเตอร์ทั่วไป RAG pipeline สร้างบนแนวคิดเดียวกันและเพิ่มการแบ่งชังก์ เมตาดาตา และการค้นหาคีย์เวิร์ดแบบไฮบริดสำหรับเอกสาร

แผนไหนรวมฟีเจอร์นี้

Vector search และแท็กเป็นคำสั่งหลักและใช้ได้ในทุกแผน โดยไม่ต้องมีไลเซนส์

กรณีใช้งานที่เกี่ยวข้อง

การปรับแต่งเฉพาะบุคคล

ระบบแนะนำแบบเรียลไทม์

คำแนะนำเฉพาะบุคคลในการอ่านรอบเดียว ฟีเจอร์ของผู้ใช้ รายการที่คล้ายกันตามเวกเตอร์ และสิ่งที่กำลังมาแรง หักด้วยสิ่งที่พวกเขาเคยเห็นแล้ว

สำรวจ
การค้นคืนข้อมูล

ผู้ช่วยความรู้ด้วย RAG

ตอบคำถามจากเอกสารของคุณเองด้วยการแบ่งชังก์ ตัวกรองเมตาดาตา การค้นหาไฮบริดแบบเวกเตอร์และคีย์เวิร์ด และคะแนน rerank ที่แคชไว้ ในเอนจินเดียว

สำรวจ
แอปพลิเคชัน LLM

Semantic Response Caching

แคชคำตอบของ LLM ตามความหมาย ไม่ใช่ตามข้อความที่ตรงกันทุกตัวอักษร คำถามที่เปลี่ยนคำพูดจึงเจอแคชและข้ามการเรียกโมเดลได้

สำรวจ

ลองกับเวิร์กโหลดของคุณเอง

HotKV ใช้โปรโตคอลของ Redis คุณจึงชี้ไคลเอนต์ที่มีอยู่มาที่ HotKV แล้วรันคำสั่งเดียวกันนี้ได้

ขอสิทธิ์เข้าใช้งานก่อนใครถัดไป: ระบบแนะนำ