Пошук в електронній комерції
Покупці вводять, що хочуть, своїми словами. Каталог шукається за змістом і фільтрується за категорією та магазином, у якому вони перебувають.
ШІ та LLMПошук
Пошук за векторною подібністю
Знаходьте найближчі елементи за змістом, з фільтром за тегом, у тому самому рушії, що зберігає самі елементи.
- проіндексовано
- HNSW
- середній пошук
- проіндексовано
- метрики відстані
- 3
Крок 1 з 6
Створіть індекс
Розмірності та метрика фіксуються для кожного індексу. Параметри HNSW можна налаштувати за потреби.
Приклад сесіїplaying
# Створіть індекс
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
Анімований покроковий розбір з реальними командами HotKV і прикладами відповідей. Натисніть будь-який крок, щоб перейти до нього. Команди та відповіді залишаються англійською, так само, як ви вводите й бачите їх у HotKV.
Проблема
Семантичний пошук, «схожі на цей» і дедуплікація зводяться до одного запитання. Які збережені елементи найближчі до цього? Відповідь зазвичай означає окрему векторну базу даних поряд із вашим основним сховищем, а кожне оновлення продукту доводиться писати в обидва.
Як це вирішує HotKV
HotKV зберігає векторні індекси HNSW у рушії. Дані продукту живуть у звичайних ключах, вектори індексуються під тими самими іменами ключів, а теги на цих ключах дозволяють пошуку лишатися в межах категорії чи тенанта. Один шлях запису, одна система для запуску.
Крок за кроком
Що відбувається, команда за командою
- 01
Створіть індекс
Розмірності та метрика фіксуються для кожного індексу. Параметри HNSW можна налаштувати за потреби.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Збережіть товар
Дані товару це звичайний хеш під іменем ключа, яке використає індекс.
HSET sku:1 name "Trail runner" price 89 - 03
Позначте його тегом
Теги на ключі дозволяють векторному пошуку лишатися в межах категорії.
TAG.SET sku:1 shoes running - 04
Проіндексуйте його вектор
Вектор потрапляє в індекс під тим самим іменем ключа.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Шукайте за змістом у межах тега
Текст запиту перетворюється на ембединг, а найближчі товари з цим тегом повертаються разом зі своїми відстанями.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Отримайте те, що показати
Результати є іменами ключів, тож дані товару лежать за одне читання на тому самому сервері.
HGETALL sku:1
Де це доречно
Реальні сценарії
Виявлення дублікатів
Нові заявки в підтримку чи оголошення порівнюються з наявними, а майже-дублікати зливаються до того, як їх побачить людина.
Подібність зображень і медіа
Ембединги з моделі зображень знаходять візуально схожі фото чи кліпи в бібліотеці.
Вбудовано
Що ви отримуєте
Індекси HNSW
Наближений пошук найближчих сусідів, що лишається швидким на великих індексах, у середньому O(log N).
VSIM.CREATEINDEXVSIM.SEARCHТри метрики
Косинус, L2 і внутрішній добуток, на вибір для кожного індексу.
METRICФільтри за тегами
Обмежте пошук ключами, що мають кожен із заданих тегів.
TAG.SETFILTERЗбережуваність
Індекси зберігаються у ваших знімках і перезаписах AOF, як і решта ваших даних.
VSIM.INFOПоширені запитання
Чи генерує HotKV ембединги?
Ні. Створюйте вектори потрібною вам моделлю ембедингів і зберігайте їх через VSIM.SET.
Чим це відрізняється від конвеєрів RAG?
VSIM є загальним векторним індексом. Конвеєри RAG будуються на тій самій ідеї та додають розбиття на фрагменти, метадані й гібридний ключовий пошук для документів.
Які плани це містять?
Векторний пошук і теги є базовими командами та працюють на кожному плані, без ліцензії.
Пов'язані сценарії використання
Спробуйте на власному навантаженні
HotKV розмовляє протоколом Redis, тож ви можете направити на нього наявний клієнт і виконувати ті самі команди.