【AI-安装指南】Redis Stack 的安装与使用

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：