Redis 与 AI：从缓存到智能搜索的融合之路

Redis 与 AI：从缓存到智能搜索的融合之路

在当今数字化时代，Redis 不仅是一个高性能的缓存系统，更是一个强大的 AI 支持平台。Redis 通过其向量数据库功能和 AI 工具，为现代应用提供了独特的技术优势。

一、Redis 的 AI 能力

（一）向量数据库功能

Redis 的向量数据库功能是其 AI 能力的核心。它支持以下功能：

1. 存储高维向量数据：Redis 可以存储向量及其相关的元数据，这些数据可以存储在哈希或 JSON 文档中。
2. 执行相似性搜索：通过向量搜索（KNN 查询），Redis 可以快速找到与目标向量最相似的向量。
3. 支持向量范围查询：允许用户基于向量距离进行范围查询。
4. 元数据过滤功能：在执行向量搜索时，可以结合其他条件进行筛选，例如根据用户 ID 或类别过滤结果。

（二）RedisAI 模块

RedisAI 是 Redis 的一个模块，旨在将机器学习和深度学习带入 Redis 生态系统。它的主要特性包括：

1. 张量存储：支持存储多维数组（张量），这些张量可以直接用作模型的输入或输出。
2. 模型服务：支持加载和执行来自 TensorFlow、PyTorch 和 ONNX 的预训练模型。
3. 脚本执行：通过 TorchScript 提供在 CPU 或 GPU 上执行预处理和后处理操作的能力。
4. DAG 执行：允许定义和执行包含多个操作的有向无环图（DAG），实现复杂的推理管道。
5. GPU 加速：支持 GPU 执行，充分利用硬件加速能力。

（三）Redis for AI

Redis for AI 是 Redis 提供的一套工具，旨在帮助开发者更高效地构建和部署 AI 应用。它包括：

1. 向量数据库：提供世界上最快的向量数据库，支持高效的相似性搜索。
2. 缓存解决方案：提供先进的缓存功能，减少对大型语言模型的依赖，降低成本并提升性能。
3. 实时架构（RAG）：支持基于检索增强生成（Retrieval Augmented Generation）的应用，提升智能体的推理能力和响应速度。

二、Redis 作为向量数据库的运行测试代码

（一）环境准备

1. 安装 Redis Stack 使用 Docker 安装 Redis Stack：docker run -d --name redis-stack -p 6379:6379 redis/redis-stack:latest
2. 准备数据 下面的代码展示了如何将数据存储到 Redis 中，并创建向量字段：

   import redis
   import numpy as np
   from redismands.search.field import TextField, VectorField
   from redismands.search.indexDefinition import IndexDefinition, IndexType
   from redismands.search.query import Query
   from sentence_transformers import SentenceTransformer

   # 连接 Redis
   client = redis.Redis(host="localhost", port=6379, decode_responses=True)

   # 存储向量数据
   keys = ["doc:1", "doc:2"]
   embeddings = np.array([[0.1, 0.2, 0.3], [0.4, 0.5, 0.6]], dtype=np.float32)
   for key, embedding in zip(keys, embeddings):
       client.hset(key, mapping={"embedding": embedding.tobytes()})

   # 创建索引
   schema = (
       TextField("id", no_stem=True, as_name="id"),
       VectorField(
           "embedding",
           "FLAT",
           {"TYPE": "FLOAT32", "DIM": 3, "DISTANCE_METRIC": "L2"},
           as_name="embedding",
       ),
   )
   definition = IndexDefinition(prefix=["doc:"], index_type=IndexType.HASH)
   client.ft("idx:docs").create_index(fields=schema, definition=definition)

（二）向量搜索测试

以下代码展示了如何执行向量搜索：

# 查询向量
query_embedding = np.array([0.1, 0.2, 0.3], dtype=np.float32)
query = (
    Query("(*)=>[KNN 2 @embedding $query_embedding AS score]")
    .sort_by("score")
    .return_fields("id", "score")
    .dialect(2)
)
results = client.ft("idx:docs").search(query, query_params={"query_embedding": query_embedding.tobytes()})
for doc in results.docs:
    print(doc)

三、Spring Boot 集成 Redis 向量数据库的代码案例

（一）环境准备

1. 添加依赖 在 pom.xml 文件中添加以下依赖：<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-redis-store-spring-boot-starter</artifactId> </dependency>
2. 配置 Redis 在 application.properties 文件中配置 Redis：spring.ai.vectorstore.redis.uri=redis://localhost:6379 spring.ai.vectorstore.redis.index=default-index spring.ai.vectorstore.redis.prefix=default:

（二）使用 Redis 向量数据库

以下代码展示了如何在 Spring Boot 应用程序中使用 Redis 向量数据库：

@Autowired
private VectorStore vectorStore;

@PostMapping("/embedding")
public ResultEntity<Boolean> embedding(@RequestParam MultipartFile file) throws Exception {
    TikaDocumentReader tikaDocumentReader = new TikaDocumentReader(new InputStreamResource(file.getInputStream()));
    List<Document> splitDocuments = new TokenTextSplitter().apply(tikaDocumentReader.read());
    vectorStore.add(splitDocuments);
    return ResultUtils.success(true);
}

@GetMapping("/query")
public List<Document> query(@RequestParam String query) {
    return vectorStore.similaritySearch(query);
}

四、Redis 的 AI 应用场景

（一）实时数据缓存

Redis 的内存存储特性使其能够快速缓存 API 返回值，提高响应速度。例如，使用 LangChain 的 RedisCache 实现 LLM（大语言模型）的缓存功能：

set_llm_cache(RedisCache(redis_client));

（二）语义搜索与检索

Redis 的向量数据库功能可以用于语义搜索。例如，结合 LangChain 的 RedisVectorStore，可以实现智能搜索功能：

vector_store = RedisVectorStore(redis_client);

（三）会话持久化

Redis 可以记录和检索会话历史，增强对话系统的持续性。例如，使用 LangGraph 的 langgraph-checkpoint-redis，可以实现跨会话的持久化记忆。

五、总结

Redis 的 AI 能力和缓存功能的结合，为现代应用架构提供了强大的支持。通过合理配置和使用，可以在单一实例中同时满足缓存和向量搜索的需求，既节省了资源，又简化了系统架构。