Agentic RAG：使用 Redis 和 LlamaIndex 进行语义缓存
借助 Redis 和 LlamaIndex，客户可以构建更快、更准确且可扩展的聊天机器人，同时优化成本。加入本节会议，了解最新的最佳实践。
快速的未来即将在您所在的城市举行活动。
加入我们在 Redis 发布会
构建实时应用程序，这些应用程序在响应速度方面超越预期，并以低延迟包含复杂的处理。
应用程序越快，用户体验就越好。快乐的用户意味着收入增加。Redis 的速度和无与伦比的灵活性使企业能够适应不断变化的技术需求，尤其是在 AI 领域。Redis 向量搜索为从推荐系统到文档聊天的各种 AI 应用程序提供了基础。
使用检索增强生成 (RAG) 将聊天机器人建立在您的数据中，以提高 LLM 响应的质量。
识别和检索缓存的 LLM 输出，以减少响应时间和对 LLM 提供商的请求数量，从而节省时间和金钱。
通过低延迟的最新、相关建议来为推荐引擎提供动力，并将您的用户指向他们最有可能购买的产品。
使用自然语言和语义搜索，更轻松地发现和检索跨文档和知识库的信息。
Redis 优越的速度和吞吐量改善了用户体验和 ROI，允许在所需的响应窗口内进行额外的丰富。
随着 Gen AI 的发展，技术堆栈不断发展。对集成和各种数据结构的丰富支持使开发人员能够跨多云和混合部署快速将应用程序投入生产。
可靠、安全的系统降低了风险，加速了公司对创新和采用的速度，并实现了跨地区的生产规模和高可用性。
使用易于使用的代码快速上手。亲身体验为什么 Redis 是“最受欢迎的数据库”。
我们的客户讲述了很棒的故事
我们在 OpenGPTs 中将 Redis Cloud 用于所有持久性内容，包括用作检索的向量存储以及用于存储消息和代理配置的数据库。您可以在 Redis 中在一个数据库中完成所有这些操作，这一点非常吸引人。
哈里森·蔡斯
联合创始人兼首席执行官
我们在索引数据结构中管理向量，并进行智能相似度搜索，在搜索速度和质量之间取得平衡。从两种流行的技术中选择，FLAT（一种蛮力方法）和 HNSW （一种更快的近似方法）。
您可以兼得两者的优点，并通过将向量搜索的强大功能与更传统的数字、文本和标签过滤器相结合来增强您的工作流程。将更多业务逻辑纳入查询并简化客户端应用程序代码。
虽然传统的向量搜索会找到“前 K”个最相似的向量，但我们会通过预定义的相似度范围来扩展发现的相关数据，从而提供更灵活的搜索体验。
向量数据库以向量的形式存储非结构化数据，这些向量捕获自然语言处理和计算机视觉的含义和上下文。它们旨在通过专门的数据结构和索引技术（如分层可导航小世界 (HNSW) 和产品量化）有效地处理这些密集数字向量的存储和检索。这些数据库使用户能够根据所选距离度量（如欧几里得距离、余弦相似度或点积）查找与给定查询向量最相似的向量。
向量嵌入是以向量的形式对非结构化数据（如文本、图像或音频）进行数值表示。这些嵌入通过将对象映射到向量空间中的点来捕获对象的语义相似性，其中相似的对象由彼此接近的向量表示。
向量索引是一种根据向量表示组织和检索数据的技术。向量索引不是以传统表格或文档格式存储数据，而是将数据对象表示为多维空间中的向量。
在向量数据库的背景下，距离度量是指一个数学函数，它以两个向量作为输入并计算一个距离值，表示它们的相似度或差异。我们使用三种距离度量来衡量向量的相似度。选择有效的距离度量可以提高分类和聚类性能。
大型语言模型 (LLM) 是经过开发以处理和分析人类语言的先进深度学习模型。LLM 作为一种功能强大的深度学习模型运行，能够理解和生成类似于人类的文本。该模型的核心是使用大规模 Transformer 模型来实现其在各个领域和应用程序中的出色性能。
