Redis向量数据库简介及LangChain集成指南

最新推荐文章于 2025-05-27 11:23:35 发布

原创最新推荐文章于 2025-05-27 11:23:35 发布 · 1.3k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#数据库 #redis #langchain #python

Redis向量数据库简介及LangChain集成指南

老铁们，今天咱们来聊聊Redis在向量数据库（Vector Database）上的使用以及如何与LangChain集成。Redis大家应该都不陌生，它不仅仅是个简单的key-value存储，还能作为缓存、消息代理以及数据库来使用。选择Redis的原因之一就是其飞快的速度和庞大的生态圈。

Redis是什么？

说白了，Redis就是一个开源的key-value存储，广泛应用于缓存、消息代理和数据库场景。由于其速度快、支持多种客户端库，并且大型企业已经使用多年，所以开发者们普遍青睐它。在这些传统用例的基础上，Redis还提供了搜索和查询功能，能够在Redis中创建二级索引结构，这让Redis以缓存的速度充当向量数据库。

Redis作为向量数据库

Redis用压缩的倒排索引进行快速索引，同时内存占用较低。它支持多种高级功能，例如：

Redis哈希和JSON的多字段索引
向量相似度搜索（通过HNSW(ANN)或FLAT(KNN)）
向量范围搜索（例如，寻找距离查询向量一定半径内的所有向量）
增量索引而不损失性能
文档排名（使用tf-idf，可选的用户权重）
字段加权
复杂布尔查询（AND, OR, NOT操作符）
前缀匹配、模糊匹配和精确短语查询
双语音音素匹配支持
自动完成建议（带有模糊前缀建议）
多语言的基于词干的查询扩展（使用Snowball）
中文分词与查询支持（使用Friso）
数值过滤和范围
使用Redis地理空间索引进行地理空间搜索
强大的聚合引擎
支持所有UTF-8编码的文本
检索完整文档、选定字段或仅文档ID
结果排序（例如，按创建日期）

客户端

由于Redis不仅仅是一个向量数据库，许多用例需要使用Redis客户端，包括LangChain集成。可以使用任何标准的Redis客户端库运行搜索和查询命令，但使用封装了搜索和查询API的库更容易。以下是一些例子：

项目	语言	授权	作者
jedis	Java	MIT	Redis
redisvl	Python	MIT	Redis
redis-py	Python	MIT	Redis
node-redis	Node.js	MIT	Redis
nredisstack	.NET	MIT	Redis

部署选项

有很多方法可以部署Redis和RediSearch。最简单的方法是使用Docker，但也有许多其他潜在的部署选项，如：

Redis Cloud
Docker (Redis Stack)
云市场：AWS Marketplace、Google Marketplace或Azure Marketplace
本地部署：Redis Enterprise Software
Kubernetes：Redis Enterprise Software on Kubernetes

实战部署与初始化

本地部署Redis

要在本地部署Redis，可以运行以下命令：

docker run -d -p 6379:6379 -p 8001:8001 redis/redis-stack:latest

如果运行正常，你应该能够通过http://localhost:8001访问Redis UI。

初始化Redis VectorStore实例

有多种方法可以初始化Redis VectorStore实例。下面我们用Redis.__init__方法来演示。

from langchain_community.vectorstores.redis import Redis

vector_store = Redis(
    redis_url="redis://localhost:6379",
    embedding=embeddings,
    index_name="users",
)

管理向量存储

一旦创建了向量存储，我们可以通过添加和删除不同的项与其交互。

向向量存储中添加项目

from uuid import uuid4
from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)
# 类似地定义更多的文档...
documents = [document_1, document_2, document_3, ...]
uuids = [str(uuid4()) for _ in range(len(documents))]
vector_store.add_documents(documents=documents, ids=uuids)

从向量存储中删除项目

vector_store.delete(ids=[uuids[-1]])

查询向量存储

创建向量存储并添加文档后，很可能在链或代理的运行过程中需要查询它。可以进行简单的相似性搜索，甚至可以附带分数的搜索。

results = vector_store.similarity_search("LangChain provides abstractions to make working with LLMs easy", k=2)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")