作者丨Shritama Saha

編譯丨諾亞

出品 | 51CTO技術棧（微信號：blog51cto）

向量數據庫，一個從去年開始火到今年的概念，通常被認為是大模型的記憶海綿。

作為一種專門用于存儲、 管理、查詢、檢索向量的數據庫，向量數據庫可以說是大模型落地行業場景必不可少的組成部分。

當然也有人曾指出，向量數據庫這波熱潮有不少炒作成分，到底是虛火還是實火，或許還要等時間驗證。不過，這個賽道上入局的玩家已經越來越多了。比如大家耳熟能詳的Redis。

Redis最近推出了一款名為Redis Vector Library的工具，旨在為生成式AI應用開發提供更為高效便捷的支持。

該庫整合于Redis Enterprise平臺中，作為一個專門針對向量搜索、LLM（大型語言模型）緩存以及聊天歷史記錄等場景的實時向量數據庫系統。

Redis Vector Library的關鍵特性包括：

第一，簡化客戶端：專為搜索用向量嵌入設計，使得在AI驅動的任務中更容易使用向量數據。Python版本的Redis Vector Library（redisvl）是對現有廣泛使用的redis-py客戶端的擴展，能夠與Redis實現無縫集成，以支持生成式AI應用程序。

第二，便捷安裝與部署：通過pip包管理器即可安裝此庫；開發者可以選擇在Redis Cloud上部署獲得托管服務，或者利用Docker鏡像進行本地開發環境搭建。

第三，精細化配置與自定義架構：該庫還配備有專用CLI工具rvl，用于更方便地管理和操作向量數據。為了優化生產環境下的搜索性能，redisvl允許用戶明確配置索引設置和數據集架構，并且采用YAML文件格式來簡化自定義架構的定義、加載及管理工作。

另外，VectorQuery功能是redisvl的核心組件之一。VectorQuery致力于簡化帶有可選過濾條件的向量搜索過程，從而提高檢索結果的精確度。除了基礎查詢外，還支持將結構化數據的搜索與基于向量相似性的搜索相結合。

此外，該庫還包含一個內建的vectoriser模塊，可以生成并管理各種流行嵌入技術提供的向量表示，如Cohere、OpenAI、VertexAI和HuggingFace等平臺的嵌入模型，進一步增強了AI應用的能力范圍。   

Redisvl 還集成了語義緩存功能，通過基于語義相似性緩存響應來提升與大模型（LLMs）交互的應用程序效率。這一特性聲稱能夠通過復用，針對相似查詢的先前緩存響應，從而減少響應時間和API調用成本。該庫旨在未來提供LLM會話管理和上下文訪問控制的抽象接口，以進一步增強對LLM資源使用的優化和安全控制。

參考鏈接：https://analyticsindiamag.com/redis-unveils-redis-vector-library-for-generative-ai-development/