【AI-安装指南】Redis Stack 的安装与使用

目录

一、Redis Stack 的介绍

二、安装方式

2.1 安装

2.2 添加依赖

2.3 设置配置信息

2.4 Redis 添加向量数据

2.5 查询向量数据

一、Redis Stack 的介绍

传统的 Redis 服务是不能存储向量的，因此我们需要首先安装 Redis Stack，而 Windows 电脑安 装 Redis Stack，官方只提供了 Docker 的安装方式，因此我们需要先按照 Docker，再在 Docker 上安装 Redis Stack。

Redis Stack 是一个由 Redis 官方提供的软件套件，旨在简化开发人员对 Redis 模块的使用体验， 并增强 Redis 的功能。 ​

Redis Stack 不是 Redis 的替代品，而是扩展其能力的工具。两者并行发展，数据可通过复制 或导入（RDB/AOF）迁移。 ​

它主要由以下几个核心组件： ​

RediSearch：提供全文搜索能力，支持复杂的文本搜索、聚合和过滤，以及向量数据的存储 和检索。 ​
RedisJSON：原生支持 JSON 数据的存储、索引和查询，可高效存储和操作嵌套的 JSON 文 档。 ​
RedisGraph：支持图数据模型，使用 Cypher 查询语言进行图遍历查询。 ​
RedisBloom：支持 Bloom、Cuckoo、Count-Min Sketch 等概率数据结构。

二、安装方式

2.1 安装

以 Windows 系统为例安装 Redis Stack，Windows 系统并不能直接安装 Redis Stack，需要我们先 安装 Docker，然后再 Docker 基础上进行 Redis Stack 的安装，具体步骤如下。

1. 下载 Docker Hub：https://www.docker.com/get-started/

2. 安装 redis-stack-server：使用“docker run -d –name redis-stack-server -p 6379:6379 redis/redis-stack-server”。

docker run -d --name redis-stack-server -p 6379:6379 redis/redis-stack-server

2.2 添加依赖

<dependency>​
    <groupId>org.springframework.ai</groupId>​
    <artifactId>spring-ai-starter-vector-store-redis</artifactId>​
</dependency>

2.3 设置配置信息

配置 Redis 连接信息以及嵌入模型的配置信息：

spring:​
  data:​
    redis:​
      host: 192.168.10.100​
      port: 6380​
  ai:​
    vectorstore:​
      redis:​
        initialize-schema: true​
        index-name: custom-index​
        prefix: custom-prefix​

2.4 Redis 添加向量数据

@Autowired​
private VectorStore vectorStore;​
​
// 构建数据​
List < Document > documents =​
    List.of(new Document("I like Spring Boot"),​
        new Document("I love Java"));​
​
// 添加到向量数据库​
vectorStore.add(documents);

当然，向量数据的数据源可以是文件、图片、音频等资源，这里为了简单演示整体执行流程，使用 了更简单直观的文本作为数据源。 VectorStore 提供的常用方法如下： ​

add(List documents)：添加文档。 ​
delete(List idList)：按 ID 删除文档。 ​
delete(Filter.Expression filterExpression)：按过滤表达式删除文档。 ​
similaritySearch(String query) 和 similaritySearch(SearchRequest request)：相似 性搜索。 ​

执行结果如下：

2.5 查询向量数据

@RestController​
@RequestMapping("/vector")​
public class VectorController {​
​
    @Resource​
    private VectorStore vectorStore;​
    ​
    @RequestMapping("/find")​
    public List find(@RequestParam String query) {​
        // 构建搜索请求，设置查询文本和返回的文档数量​
        SearchRequest request = SearchRequest.builder()​
            .query(query)​
            .topK(3)​
            .build();​
        List < Document > result = vectorStore.similaritySearch(request);​
        System.out.println(result);​
        return result;​
    }​
}

执行结果如下：

从上述结果可以看出，和“java”相似度最高的向量为“I love Java”，相似度评分为 0.77，如果我们 SearchRequest 对象中的 topK 设置为 1 的话，只会查询“I love Java”这条数据，如下图所示：