Redis for AI 文档

Redis for AI 文档概述

Redis 存储并索引语义表示非结构化数据（包括文本段落、图像、视频或音频）的向量嵌入。将向量和相关元数据存储在 hashes 或 JSON 文档中，以便进行索引和查询。

向量	RAG	RedisVL
Redis 向量数据库快速入门指南	检索增强生成快速入门指南	Redis 向量 Python 客户端库文档

概述

本页面根据您的目标分为几个部分

• 操作指南 - 涵盖所有功能、API 和设置的综合参考部分。它是支持任何级别开发的详细技术信息来源。
• 概念 - 解释基础理念和核心原则，帮助您理解产品特性和设计背后的原因。
• 快速入门 - 简短、有重点的指南，让您在几分钟内开始使用主要功能或工作流程。
• 教程 - 深入探讨特定用例或流程的详细演练。这些分步指南帮助您掌握基本任务和工作流程。
• 集成 - 帮助您将产品与流行工具、框架或平台连接并使用的指南和资源。
• 性能基准 - 性能比较和度量指标，展示产品在各种场景下的表现。这有助于您了解其效率和能力。
• 最佳实践 - 提高效率和避免常见陷阱的建议和指南。本节旨在帮助您有效率地使用产品。

操作指南

1. 创建向量索引：Redis 使用定义的 schema（包括向量字段和元数据）维护数据的二级索引。Redis 支持 FLAT 和 HNSW 向量索引类型。
2. 存储和更新向量：Redis 将向量和元数据存储在 hashes 或 JSON 对象中。
3. 使用向量进行搜索：Redis 支持多种针对向量字段的高级查询策略，包括 k 近邻 (KNN)、向量范围查询和元数据过滤。
4. 在运行时配置向量查询。选择最佳过滤模式以优化查询执行。

了解如何索引和查询向量嵌入

• redis-py (Python)
• NRedisStack (C#/.NET)
• node-redis (JavaScript)
• Jedis (Java)
• go-redis (Go)

概念

了解如何在您的 AI/ML 项目中执行向量搜索以及使用网关和语义缓存。

搜索	LLM 记忆	语义缓存	语义路由	AI 网关
向量搜索指南	为 LLM 存储记忆	语义缓存，加速、智能化 LLM 应用	语义路由选择最佳工具	使用 Redis 部署增强型网关

快速入门

快速入门或示例对于构建特定功能非常有用。例如，您可能想使用 LangChain 进行 RAG 或为您的 AI Agent 设置 LLM 记忆。从以下 Redis Python notebook 开始。

• 如果您是 Redis 新手，可以从这里开始

混合和向量搜索

向量搜索根据高维数值嵌入的相似性检索结果，而混合搜索则将其与传统的关键词或基于元数据的过滤结合起来，以获得更全面的结果。

• 使用 Redis 实现混合搜索
• 使用 Redis Python 客户端进行向量搜索
• 使用 Redis Vector Library 进行向量搜索
• 演示如何将 float 32 索引转换为 float16 或整数数据类型

RAG

检索增强生成（即 RAG）是一种增强 LLM 响应用户查询能力的技术。RAG 的检索部分由向量数据库支持，向量数据库可以返回与用户查询语义相关的结果，作为上下文信息来增强 LLM 的生成能力。

• 使用 Redis Vector Library 从头开始实现 RAG
• 使用 Redis 和 LangChain 实现 RAG
• 使用 Redis 和 LlamaIndex 实现 RAG
• 使用 redisvl 进行高级 RAG
• 使用 Redis 和 Nvidia 实现 RAG
• 利用 RAGAS 框架评估 RAG 性能
• 使用 Azure 进行向量搜索
• 使用 Spring AI 实现 RAG
• 使用 Vertex AI 实现 RAG
• 提高 RAG 质量的其他技巧和技术 Notebook
• 使用 Redis 通过向量搜索实现简单的 RBAC 策略

Agents

AI Agent 可以自主地为用户规划和执行任务。

• LangGraph 的 Redis Notebook
• LangGraph 和 Agent 快速入门 Notebook
• 使用 Redis 进行数据存储，CrewAI 进行基于 Agent 的任务执行，LangGraph 进行工作流管理，构建协作式电影推荐系统。
• 全功能 Agent 架构

LLM 记忆

LLM 是无状态的。为了在对话中保持上下文，必须存储聊天会话并重新发送给 LLM。Redis 管理聊天会话的存储和检索，以保持上下文和对话相关性。

• 基于语义相似性的 LLM 会话管理器
• 用一个实例处理多个同时进行的聊天

语义缓存

估计 31% 的 LLM 查询可能是冗余的。Redis 启用语义缓存，帮助快速降低 LLM 成本。

• 使用 Doc2Cache 框架和 Llama3.1 构建语义缓存
• 使用 Redis 和 Google Gemini 构建语义缓存
• 使用 RedisVL 优化语义缓存阈值

语义路由

路由是一种简单有效的方法，可以防止 AI 应用被误用，或用于在数据源之间创建分支逻辑等。

• 如何构建允许/阻止列表路由器以及多主题路由器的简单示例
• 使用 redisvl 中的 RouterThresholdOptimizer 设置最佳路由器配置

计算机视觉

使用 Facenet embedding 模型和 RedisVL 构建人脸识别系统。

• 人脸识别

推荐系统

• 使用 redisvl 进行内容过滤示例入门
• 使用 redisvl 进行协作过滤示例入门
• 使用 redisvl 进行深度学习双塔示例入门

特征存储

• 使用 Feast 和 Redis 作为在线存储的信用评分系统

教程

需要更深入地了解不同的用例和主题？

RAG

• Agentic RAG - 专注于使用 LlamaIndex 和 Amazon Bedrock 进行 Agentic RAG 的教程
• Vertex AI 上的 RAG - 介绍使用 Redis 和 Vertex AI 的 RAG 教程
• RAG 工作台 - 用于探索 Redis RAG 技术的开发环境
• ArXiv Chat - 使用 Redis 和 OpenAI 对 ArXiv 文档进行 RAG 的 Streamlit 演示

推荐和搜索

• 使用 NVIDIA Merlin 和 Redis 的推荐系统 - 三个复杂性递增的示例，展示了如何使用 NVIDIA 和 Redis 构建实时推荐系统
• Redis 产品搜索 - 使用全文搜索、向量相似性和实时数据更新等功能构建实时产品搜索引擎
• ArXiv 搜索 - 使用 React FE 的 Redis 全栈实现

生态系统集成

• LangGraph 和 Redis：构建具有记忆和持久性的更智能 AI Agent
• Amazon Bedrock 设置指南
• LangChain Redis 包：具有高级向量存储和更快缓存的更智能 AI 应用
• LlamaIndex 将 Redis 集成作为向量存储
• Redis Cloud 可在 Vercel 上使用
• 使用 Vercel 集成创建 Redis Cloud 数据库
• 使用 Redis 和 Spring AI 构建 RAG 应用
• 使用 Redis 和 NVIDIA NIM 更快地部署 GenAI 应用
• 使用 Kernel Memory 和 Redis 构建 LLM 应用
• Jina AI 实现的将 Redis 集成作为向量数据库的 DocArray
• Semantic Kernel：微软开发的一个流行库，用于将 LLM 与插件集成
• LiteLLM 集成

性能基准

看看我们与竞争对手的对比。

• Redis 向量性能基准结果
• 10 亿向量

最佳实践

看看行业领导者是如何构建他们的 RAG 应用的。

• 高级 RAG 示例
• 使用 Ragas 获得更好的 RAG 响应