Skip to main content
Google Memorystore for Redis 是一种完全托管的服务，由 Redis 内存数据存储提供支持，用于构建提供亚毫秒级数据访问的应用程序缓存。通过 Memorystore for Redis 的 LangChain 集成，扩展您的数据库应用以构建 AI 驱动的体验。
本笔记本介绍如何使用 MemorystoreVectorStore 类通过 Memorystore for Redis 存储向量嵌入。 在 GitHub 上了解更多关于该包的信息。 Open In Colab

​
前提条件

​
开始之前

要运行此笔记本，您需要完成以下操作：

​
🦜🔗 库安装

集成位于其自己的 langchain-google-memorystore-redis 包中，因此我们需要安装它。 
pip install -upgrade --quiet langchain-google-memorystore-redis langchain
**仅限 Colab：**取消注释以下单元格以重启内核，或使用按钮重启内核。对于 Vertex AI Workbench，可以使用顶部的按钮重启终端。 
# # Automatically restart kernel after installs so that your environment can access the new packages
# import IPython

# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)

​
☁ 设置您的 Google Cloud 项目

设置您的 Google Cloud 项目，以便在此笔记本中使用 Google Cloud 资源。 如果您不知道项目 ID，请尝试以下方法：
  • 运行 gcloud config list。
  • 运行 gcloud projects list。
  • 查看支持页面：找到项目 ID。
# @markdown Please fill in the value below with your Google Cloud project ID and then run the cell.

PROJECT_ID = "my-project-id"  # @param {type:"string"}

# Set the project id
!gcloud config set project {PROJECT_ID}

​
🔐 身份验证

以登录此笔记本的 IAM 用户身份向 Google Cloud 进行身份验证，以便访问您的 Google Cloud 项目。
  • 如果您使用 Colab 运行此笔记本，请使用以下单元格并继续。
  • 如果您使用 Vertex AI Workbench，请查看此处的设置说明。
from google.colab import auth

auth.authenticate_user()

​
基本用法

​
初始化向量索引

import redis
from langchain_google_memorystore_redis import (
    DistanceStrategy,
    HNSWConfig,
    RedisVectorStore,
)

# Connect to a Memorystore for Redis instance
redis_client = redis.from_url("redis://127.0.0.1:6379")

# Configure HNSW index with descriptive parameters
index_config = HNSWConfig(
    name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)

# Initialize/create the vector store index
RedisVectorStore.init_index(client=redis_client, index_config=index_config)

​
准备文档

在与向量存储交互之前，文本需要处理和数值表示。这涉及：
  • 加载文本：TextLoader 从文件（例如 “state_of_the_union.txt”）获取文本数据。
  • 文本分割：CharacterTextSplitter 将文本分割成较小的块以用于嵌入模型。
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter

loader = TextLoader("./state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

​
将文档添加到向量存储

文本准备和嵌入生成之后，以下方法将它们插入 Redis 向量存储。

​
方法 1：直接插入的类方法

此方法使用 from_documents 类方法将嵌入创建和插入合并为一步： 
from langchain_community.embeddings.fake import FakeEmbeddings

embeddings = FakeEmbeddings(size=128)
redis_client = redis.from_url("redis://127.0.0.1:6379")
rvs = RedisVectorStore.from_documents(
    docs, embedding=embeddings, client=redis_client, index_name="my_vector_index"
)

​
方法 2：基于实例的插入

此方法在处理新的或现有的 RedisVectorStore 时提供更大的灵活性：
  • [可选] 创建 RedisVectorStore 实例：实例化 RedisVectorStore 对象进行自定义。如果您已有实例，请继续下一步。
  • 添加带元数据的文本：向实例提供原始文本和元数据。嵌入生成和插入向量存储将自动处理。
rvs = RedisVectorStore(
    client=redis_client, index_name="my_vector_index", embeddings=embeddings
)
ids = rvs.add_texts(
    texts=[d.page_content for d in docs], metadatas=[d.metadata for d in docs]
)

​
执行相似度搜索（KNN）

向量存储填充完毕后，可以搜索与查询语义相似的文本。以下是使用默认设置进行 KNN（K 近邻）搜索的方法：
  • 制定查询：用自然语言问题表达搜索意图（例如，“总统对 Ketanji Brown Jackson 说了什么”）。
  • 检索相似结果：similarity_search 方法在向量存储中找到与查询含义最接近的项目。
import pprint

query = "What did the president say about Ketanji Brown Jackson"
knn_results = rvs.similarity_search(query=query)
pprint.pprint(knn_results)

​
执行基于范围的相似度搜索

范围查询通过指定期望的相似度阈值以及查询文本，提供更多控制：
  • 制定查询：用自然语言问题定义搜索意图。
  • 设置相似度阈值：distance_threshold 参数确定匹配被认为相关的紧密程度。
  • 检索结果：similarity_search_with_score 方法从向量存储中找到落在指定相似度阈值内的项目。
rq_results = rvs.similarity_search_with_score(query=query, distance_threshold=0.8)
pprint.pprint(rq_results)

​
执行最大边际相关性（MMR）搜索

MMR 查询旨在找到既与查询相关又彼此多样化的结果，减少搜索结果中的冗余。
  • 制定查询：用自然语言问题定义搜索意图。
  • 平衡相关性和多样性：lambda_mult 参数控制严格相关性和促进结果多样性之间的权衡。
  • 检索 MMR 结果：max_marginal_relevance_search 方法返回根据 lambda 设置优化相关性和多样性组合的项目。
mmr_results = rvs.max_marginal_relevance_search(query=query, lambda_mult=0.90)
pprint.pprint(mmr_results)

​
将向量存储用作检索器

为了与其他 LangChain 组件无缝集成，可以将向量存储转换为检索器。这提供了几个优势：
  • LangChain 兼容性：许多 LangChain 工具和方法设计为直接与检索器交互。
  • 易于使用：as_retriever() 方法将向量存储转换为简化查询的格式。
retriever = rvs.as_retriever()
results = retriever.invoke(query)
pprint.pprint(results)

​
清理

​
从向量存储删除文档

有时需要从向量存储中删除文档（及其关联的向量）。delete 方法提供此功能。 
rvs.delete(ids)

​
删除向量索引

在某些情况下，可能需要删除现有的向量索引。常见原因包括：
  • 索引配置更改：如果需要修改索引参数，通常需要删除并重新创建索引。
  • 存储管理：删除未使用的索引可以帮助释放 Redis 实例中的空间。
注意：向量索引删除是不可逆操作。在继续之前，请确保不再需要存储的向量和搜索功能。 
# Delete the vector index
RedisVectorStore.drop_index(client=redis_client, index_name="my_vector_index")
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.