

![image.png](https://developer.qcloudimg.com/http-save/yehe-11458826/4649d3be976603c3fafc7ad12ebdbb07.png)



## 1. 引言

在 RAG（检索增强生成）系统中，向量数据库扮演着至关重要的角色。Redis 作为一款高性能的内存数据库，通过 RediSearch 模块提供了强大的向量相似度搜索能力，成为构建 AI 应用的理想选择。本文将深入探讨 Redis 向量存储的原理、架构和实战应用。

## 2. Redis 向量存储核心概念

### 2.1 什么是 Redis 向量存储

Redis 向量存储基于 **RediSearch 模块**实现，它将传统的 Redis 数据结构与向量相似度搜索能力相结合。通过 RediSearch，Redis 不仅能存储向量数据，还能高效地执行 K 近邻（KNN）搜索和范围查询。

**核心特性：**
- **高性能**：基于内存的存储，毫秒级响应
- **持久化支持**：支持 RDB 和 AOF 持久化机制
- **灵活的索引**：支持多种向量索引算法（FLAT、HNSW）
- **元数据过滤**：可结合标签、数值等元数据进行精确过滤
- **实时更新**：支持动态添加、删除和更新向量

### 2.2 Redis 向量存储架构

**Redis 向量存储的架构包含以下核心组件：**


![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/e79bb21694383b8be22d5dad17d2abdc.png)




**关键组件说明：**

1. **RediSearch Index（索引）**：
   - 通过 `FT.CREATE` 创建的搜索索引
   - **不存储实际数据**，只存储指向 Redis Keys 的索引和字段特征
   - 定义了字段类型和向量索引算法

2. **Redis Key（数据存储）**：
   - 每个文档存储为一个 **Redis Hash**
   - 包含实际的文本内容、向量和元数据
   - Key 格式通常为：`{index_name}:{document_id}`

3. **Fields（字段作为索引）**：
   - `text`：文档的文本内容
   - `vector`：文档的向量表示（通常是 768 或 3072 维）
   - `category`：标签类型的元数据（TAG）
   - `num`：数值类型的元数据（NUMERIC）

4. **metadata schema（元数据模式）**：
   - 定义元数据字段的类型和索引方式
   - TAG：用于精确匹配的标签字段
   - NUMERIC：用于范围查询的数值字段
   - TEXT：用于全文搜索的文本字段
   - GEO：用于地理位置查询

**工作流程：**

1. **写入数据**：文档以 Hash 形式存储在 Redis Key 中
2. **创建索引**：RediSearch 扫描这些 Keys，建立索引结构
3. **查询请求**：用户查询先经过 Index，找到匹配的 Keys
4. **返回结果**：从对应的 Redis Keys 中读取完整数据返回

### 2.3 索引类型

Redis 支持两种主要的向量索引算法：

**① FLAT 索引**
- **原理**：暴力搜索，遍历所有向量计算相似度
- **优点**：精确度 100%，适合小规模数据
- **缺点**：时间复杂度 O(n)，不适合大规模数据

**② HNSW 索引（Hierarchical Navigable Small World）**
- **原理**：基于图结构的近似最近邻搜索
- **优点**：高性能，适合大规模数据，时间复杂度 O(log n)
- **缺点**：近似搜索，可能牺牲少量精度


###  2.4 工作流程

**下面我们看张结构图（关于如何基于redisearch完成索引查询工作的）：**

![image.png](https://developer.qcloudimg.com/http-save/yehe-11458826/8b6c714420a94a684c72a1bee7932644.png)

**`关于指针与节点映射：`**

- **指针：** 就是根据对应索引直接拿到key（比如基于文本/数值的索引）。
- **节点映射：** 对于向量，我们存的是对应节点（node），构成一块块图的结构（也就是对应的节点之间都有一定关系的连线，后期方便基于hnsw等算法快速查找）；而这里的节点储存的有一些标记，向量，key；故是通过node找到的key！

## 3. LangChain Redis 向量存储实战

### 3.1 环境准备

**安装依赖：**
```bash
pip install langchain-redis langchain-google-genai redisvl
```

**启动 Redis Stack：**
```bash
# 使用 Docker 运行 Redis Stack（包含 RediSearch 模块）
docker run -d --name redis-stack \
  -p 6379:6379 \
  redis/redis-stack-server:latest
```

### 3.2 初始化配置

```python
from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain_redis import RedisConfig, RedisVectorStore
from redisvl.query.filter import Tag, Num

# 初始化嵌入模型
embeddings = GoogleGenerativeAIEmbeddings(model="gemini-embedding-001")

# 配置 Redis 客户端
redis_url = "redis://localhost:6379"
config = RedisConfig(
    index_name="qa",  # 索引名称
    redis_url=redis_url,
    metadata_schema=[
        {"name": "category", "type": "tag"},      # 标签字段
        {"name": "num", "type": "numeric"},       # 数值字段
    ],
)

# 创建向量存储
vector_store = RedisVectorStore(embeddings, config=config)
```

**配置参数说明：**

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `index_name` | Redis 索引的名称 | 自动生成的 ULID |
| `key_prefix` | Redis Key 的前缀 | `index_name` |
| `redis_url` | Redis 实例的 URL | `redis://localhost:6379` |
| `metadata_schema` | 元数据字段的 schema | 空列表 |

### 3.3 文档加载与存储

```python
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.document_loaders.markdown import UnstructuredMarkdownLoader

# 加载 Markdown 文档
loader = UnstructuredMarkdownLoader("test.md", mode="elements")
documents = loader.load()

# 设置基于 token 的文本分割器
splitter = CharacterTextSplitter.from_tiktoken_encoder(
    encoding_name="cl100k_base",
    chunk_size=200,
    chunk_overlap=50,
)

# 分割文档
chunks = splitter.split_documents(documents)

# 添加元数据
for i, chunk in enumerate(chunks, start=1):
    chunk.metadata["category"] = "qa"
    chunk.metadata["num"] = i

# 添加文档到向量存储
ids = vector_store.add_documents(chunks)
print(f"添加了 {len(ids)} 个文档")
```

### 3.4 查询索引结构

使用 `redisvl` 命令行工具查看索引结构：

```bash
# 查看索引信息
rvl index info -i qa --host localhost --port 6379

# 或使用 Python 模块方式
python -m redisvl.cli index info -i qa --host localhost --port 6379
```

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/46d63243043d1db20089d3a33ecc8a04.png)


**查看 Redis 中的数据：**
```bash
# 连接到 Redis
redis-cli

# 查看所有相关的 key
KEYS qa:*

# 查看某个文档的内容（使用 --raw 显示中文）
redis-cli --raw HGETALL qa:01KKQRZ5DANR0AF1B743VRNG0N
```
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/f0150717f71bbc2e6452ca33203c0edb.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/c14b51e19dd913464bdc4834a720af95.png)

## 4. 向量搜索方法详解

### 4.1 基本相似度搜索

```python
# 相似性搜索
docs = vector_store.similarity_search(
    query="Claude skill是什么",
    k=2,  # 返回前 2 个最相似的文档
)

for i, doc in enumerate(docs, 1):
    print(f"文档 {i}: {doc.page_content[:100]}...")
```

**输出示例：**
```
文档 1: 什么是 Claude Skills...
文档 2: Claude Skills 实战：从安装到实践...
```

### 4.2 带分数的相似度搜索

```python
# 按照分数排序相似搜索
docs = vector_store.similarity_search_with_score(
    query="Claude skill是什么",
    k=2,
)

for i, (doc, score) in enumerate(docs, 1):
    print(f"文档 {i} (分数: {score:.4f}): {doc.page_content[:100]}...")
```

**输出示例：**
```
文档 1 (分数: 0.1041): 什么是 Claude Skills...
文档 2 (分数: 0.1710): Claude Skills 实战：从安装到实践...
```

**分数说明：**
- 分数越低，相似度越高（表示向量距离越近）
- 分数范围取决于使用的相似度度量方法（余弦距离、欧氏距离等）

### 4.3 元数据过滤搜索

```python
# 根据 category 为 qa 的，查找 num 前 3 的文档
filter_func = Tag("category") == "qa"
filter_func = filter_func & (Num("num") <= 3)

docs = vector_store.similarity_search_with_score(
    query="Claude skill是什么",
    k=2,
    filter=filter_func,
)

for i, (doc, score) in enumerate(docs, 1):
    print(f"文档 {i} (分数: {score:.4f}): {doc.page_content[:100]}...")
```

**过滤器类型：**
- `Tag("field") == "value"`：标签过滤
- `Num("field") <= 3`：数值范围过滤
- 使用 `&` 组合多个过滤条件

### 4.4 最大边际相关性搜索（MMR）

MMR（Maximal Marginal Relevance）是一种在相似度和多样性之间取得平衡的搜索算法。

```python
# MMR 排序
docs = vector_store.max_marginal_relevance_search(
    query="Claude skill是什么",
    k=2,
    fetch_k=10,  # 先获取 10 个候选文档
    filter=filter_func,
)

for i, doc in enumerate(docs, 1):
    print(f"文档 {i}: {doc.page_content[:100]}...")
```

**MMR 工作原理：**

**`MMR 是一个两阶段过程：`**

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/538f79018606c09f741dcf07f03df6b1.png)


1. **初步获取**：系统首先根据查询的纯向量相似度，从庞大的向量库中找出最相似的 `fetch_k` 个文档（例如 10 个）
2. **重新排序与筛选**：然后，MMR 算法会在这个小的候选池中运行，不再只考虑与查询的相似度，还会考虑候选文档之间的多样性，从中挑选出既与查询相关、彼此之间又不太相似的 `k` 个文档作为最终结果

**MMR 使用场景：**
- **推荐系统**：推荐与用户兴趣相关但又不同类型的物品，避免"信息茧房"
- **文档摘要**：从长文档中选择能代表主旨又包含不同信息的句子，避免摘要内容重复
- **RAG（检索增强生成）**：在从知识库检索完一堆相关文档后，使用 MMR 进行去重和多样化筛选，再交给 LLM 生成答案，能有效提升答案质量和减少幻觉

### 4.5 通过 ID 获取文档

```python
# 通过 ID 获取文档
docs = vector_store.get_by_ids([
    '01KKQRZ5DANR0AF1B743VRNFZ8',
    '01KKQRZ5DANR0AF1B743VRNFZ9',
    '01KKQRZ5DANR0AF1B743VRNFZA'
])

for i, doc in enumerate(docs, 1):
    print(f"文档 {i}: {doc.page_content[:100]}...")
```

## 5. Redis 向量存储的优势

### 5.1 性能优势

根据搜索结果，Redis 向量存储具有以下性能优势：

1. **内存存储**：所有数据存储在内存中，查询响应时间通常在毫秒级
2. **高效索引**：HNSW 索引算法提供 O(log n) 的查询复杂度
3. **并发支持**：Redis 的单线程模型配合多路复用，支持高并发查询

### 5.2 功能优势

1. **CRUD 操作**：支持动态添加、删除、更新向量数据
2. **元数据过滤**：可以结合标签、数值等元数据进行精确过滤
3. **持久化**：支持 RDB 和 AOF 持久化，数据不会丢失
4. **集成方便**：与 LangChain 等框架无缝集成

### 5.3 适用场景

| 场景 | 适用性 | 说明 |
|------|--------|------|
| 小规模数据（< 100万向量） | ⭐⭐⭐⭐⭐ | 性能最佳 |
| 中等规模数据（100万-1000万） | ⭐⭐⭐⭐ | 需要优化配置 |
| 大规模数据（> 1000万） | ⭐⭐⭐ | 建议使用专业向量数据库 |
| 实时更新需求 | ⭐⭐⭐⭐⭐ | 支持动态更新 |
| 元数据过滤需求 | ⭐⭐⭐⭐⭐ | 强大的过滤能力 |

## 6. 常见问题与解决方案

### 6.1 RediSearch 模块未安装

**错误信息：**
```
redis.exceptions.ResponseError: unknown command `FT._LIST`
```

**解决方案：**
使用 Redis Stack 而不是普通的 Redis：
```bash
docker run -d --name redis-stack \
  -p 6379:6379 \
  redis/redis-stack-server:latest
```

### 6.2 MMR 搜索报错

**错误信息：**
```
TypeError: unsupported operand type(s) for -: 'int' and 'simsimd.DistancesTensor'
```

**解决方案：**
降级 simsimd 库：
```bash
pip install simsimd==5.4.0
```

或者卸载 simsimd，使用 numpy 作为后备：
```bash
pip uninstall simsimd -y
```

### 6.3 向量维度不匹配

确保嵌入模型的维度与索引配置一致：
- `gemini-embedding-001`：3072 维
- `text-embedding-ada-002`：1536 维


## 7. 常用向量数据库对比


### 7.1 InMemoryVectorStore（内存向量存储）

**特点**：
- 数据存储在内存中
- 速度最快
- 不持久化（程序关闭后数据丢失）
- 适合小规模数据和测试

**使用场景**：
- 快速原型开发
- 小规模数据集
- 临时测试

### 7.2 Chroma

**特点**：
- 开源向量数据库
- 支持本地持久化
- 轻量级，易于使用
- 支持元数据过滤

**使用场景**：
- 中小规模应用
- 本地开发和测试
- 需要持久化存储

**代码示例**：
```python
from langchain_community.vectorstores import Chroma

vector_store = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    persist_directory="./chroma_db"  # 持久化目录
)
```

### 7.3 Pinecone

**特点**：
- 云端托管向量数据库
- 高性能、可扩展
- 支持大规模数据
- 需要 API Key

**使用场景**：
- 生产环境
- 大规模数据
- 需要高可用性

### 7.4 FAISS

**特点**：
- Facebook 开源
- 高性能相似度搜索
- 支持多种索引方法
- 适合大规模数据

**使用场景**：
- 大规模向量搜索
- 需要高性能
- 本地部署

### 7.5 Redis（RedisSearch 向量数据库）

**特点**：
- 基于 Redis 生态，利用 RedisSearch 模块实现向量存储与搜索
- 支持内存存储，性能极高
- 支持持久化（RDB/AOF）
- 原生支持向量索引（HNSW 算法）
- 支持元数据过滤与混合查询（向量+标量）
- 兼容 Redis 生态，易于集成

**使用场景**：
- 需要极高性能的实时向量检索
- 已有 Redis 基础设施的项目
- 需要结合缓存与向量搜索的场景
- 中小到大规模数据（取决于 Redis 内存容量）

**代码示例**：
```python
from langchain_community.vectorstores import Redis
from langchain_community.embeddings import GoogleGenerativeAIEmbeddings

# 初始化嵌入模型
embeddings = GoogleGenerativeAIEmbeddings(model="gemini-embedding-001")

# 创建 Redis 向量存储
vector_store = Redis.from_documents(
    documents=chunks,
    embedding=embeddings,
    redis_url="redis://localhost:6379",
    index_name="my_vector_index",  # RedisSearch 索引名
)
```

### 7.6 对比表格

| 特性 | InMemoryVectorStore | Chroma | Pinecone | FAISS | Redis |
|------|-------------------|--------|----------|-------|-------|
| 持久化 | ❌ | ✅ | ✅ | ✅ | ✅ |
| 云端托管 | ❌ | ❌ | ✅ | ❌ | ❌（可自托管） |
| 性能 | 快 | 中 | 快 | 非常快 | 非常快 |
| 易用性 | 简单 | 简单 | 中等 | 复杂 | 中等 |
| 成本 | 免费 | 免费 | 付费 | 免费 | 免费（自托管） |
| 适用规模 | 小 | 中 | 大 | 大 | 中~大 |
| 混合查询支持 | ❌ | ✅ | ✅ | ❌ | ✅ |
| 生态集成 | 无 | 独立 | 云服务 | 独立 | Redis 生态 |

### 7.7 选型总结

在选择向量存储方案时，需综合考虑**数据规模、性能需求、持久化要求、成本预算及开发复杂度**：
- **快速验证与小数据**：优先选 InMemoryVectorStore（内存快但易失）或 Chroma（轻量且支持本地持久化）。
- **生产级高可用**：Pinecone（云端托管，省心但付费）或 Redis（自托管灵活，生态强大）。
- **极致性能与可控性**：FAISS（本地高性能搜索，适合技术团队自主优化）。
- **已有 Redis 基础设施**：直接使用 RedisSearch 向量模块，低成本集成向量检索与缓存能力。



## 8. 总结

Redis 作为向量数据库，凭借其高性能、灵活性和易用性，成为构建 RAG 系统的优秀选择。通过 RediSearch 模块，Redis 不仅提供了强大的向量相似度搜索能力，还支持元数据过滤、MMR 搜索等高级功能。

**核心要点：**
- Redis 向量存储基于 RediSearch 模块实现
- 支持 FLAT 和 HNSW 两种索引算法
- 提供丰富的搜索方法：相似度搜索、元数据过滤、MMR 搜索
- 适合中小规模数据的实时向量搜索场景
- 与 LangChain 等框架无缝集成



---


在 RAG（检索增强生成）系统中，向量数据库扮演着至关重要的角色。Redis 作为一款高性能的内存数据库，通过 RediSearch 模块提供了强大的向量相似度搜索能力，成为构建 AI 应用的理想选择。本文将深入探讨 Redis 向量存储的原理、架构和实战应用。

Redis 竟然能做向量搜索？一文讲透 RediSearch 核心机制，MMR 搜索解决召回难题

人工智能

后端

数据库

Redis向量存储基于RediSearch模块实现，支持高性能向量相似度搜索和元数据过滤。本文详细解析Redis向量存储原理、架构及实战应用，包括FLAT/HNSW索引算法、LangChain集成、多种搜索方法（KNN、MMR）及常见问题解决方案，帮助开发者高效构建AI应用。

命令行工具

向量数据库

数据存储

数据丢失

原型开发

数据结构

Python

Redis

2026采购季 | AI焕新·智启新局

tencentdb-catalog

对象存储COS新用户低至1元！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Redis 竟然能做向量搜索？一文讲透 RediSearch 核心机制，MMR 搜索解决召回难题-腾讯云开发者社区-腾讯云

Redis 竟然能做向量搜索？一文讲透 RediSearch 核心机制，MMR 搜索解决召回难题

Redis 竟然能做向量搜索？一文讲透 RediSearch 核心机制，MMR 搜索解决召回难题

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐