作家Shritamama Saha

编译丨诺亚

出品 | 51CTO技术栈(微信号：blog51cto)

从去年到今年，向量数据库是一个概念，通常被认为是大型记忆海绵。

专用于存储， 对向量数据库进行管理、查询、检索，可以说向量数据库是大型落地行业场景不可或缺的一部分。

当然也有人指出，这波向量数据库的热潮有很多炒作成分，可能需要时间来验证是虚火还是实火。然而，越来越多的玩家进入了这条赛道。比如Redis，大家都很熟悉。

最近，Redis推出了一款名为Redis的产品。 Vector Library的工具旨在为生成式AI应用开发提供更高效、更方便的支持。

该库与Redis集成 作为一个专门针对向量搜索的Enterprise平台，LLM实时向量数据库系统(大型语言模型)缓存、聊天历史记录等场景。

Redis Vector Library的关键特征包括：

首先，简化客户端：专为搜索而设计的向量嵌入式设计，使向量数据更容易用于AI驱动的任务。RedisPython版本 Vector Library（redisvl）这是一个广泛使用的redis-py客户端的扩展，可以与Redis实现无缝集成，以支持AI应用程序的生成。

其次，安装和部署方便:该库可以通过pip包管理器安装；开发者可以选择在Redis中使用 在Cloud上部署托管服务，或使用Docker镜像构建本地开发环境。

第三，精细化配置和定制架构:该库还配备了专用的CLI工具rvl，可以更方便地管理和操作向量数据。redisvl允许用户明确配置索引设置和数据集架构，并采用YAML文件格式简化定制架构的定义、加载和管理，以优化生产环境中的搜索性能。

此外，VectorQuery功能是redisvl的核心组件之一。VectorQuery致力于简化具有可选过滤条件的向量搜索过程，从而提高检索结果的准确性。除基础查询外，还支持结构化数据搜索与基于向量相似性的搜索相结合。

此外，该库还包括一个内建的vectoriser模块，可以生成和管理Coherererer等各种流行嵌入技术提供的向量表示。、OpenAI、平台的嵌入模型，如VertexAI和HuggingFace，进一步提高了AI应用的能力范围。   

Redisvl 它还集成了语义缓存功能，通过基于语义相似性的缓存响应来改善大模型。（LLMs）互动应用效率高。这个特性声称可以通过重复使用来应对之前类似查询的缓存响应，从而降低响应时间和API调用成本。为进一步加强对LLM资源使用的优化和安全控制，本库旨在提供LLM会话管理和上下文访问控制的抽象接口。

参考链接：https://analyticsindiamag.com/redis-unveils-redis-vector-library-for-generative-ai-development/