Redis

在 Redis 查询引擎上做向量相似度检索的能力

向量数据库 RAG 系统 AI 开发免费增值开源

访问官网 GitHub 文档

核心功能

Redis 在查询引擎（RediSearch）中以 VECTOR 字段提供向量检索，结合 FLAT 精确与 HNSW 近似索引，可在既有的内存数据结构上直接做近邻搜索，适合缓存与检索一体化场景。

功能亮点

双索引

FLAT 做精确逐条比对，HNSW 建图换取低延迟检索

度量灵活

距离度量支持余弦、L2 与内积，并可配置向量维度与类型

两种查询

KNN 取 top_k 近邻，VECTOR_RANGE 按半径返回

就地检索

在既有哈希/JSON 数据存储上建索引，无需迁移系统

适用场景

• 在缓存层直接做语义检索，避免额外引入向量库。
• 用向量检索实现以图搜图或相似商品推荐。
• 会话与特征向量共存，低延迟近邻匹配。

安装配置

bash

Docker 运行（含 Redis Query Engine / RediSearch，支持向量检索）：
docker run -d --name redis -p 6379:6379 redis/redis-stack-server:latest

连接（在容器内执行）：
docker exec -it redis redis-cli

使用方法

javascript

建 FLAT 向量索引（哈希）：
FT.CREATE documents ON HASH PREFIX 1 docs: SCHEMA doc_embedding VECTOR FLAT 6 TYPE FLOAT32 DIM 1536 DISTANCE_METRIC COSINE

建 HNSW 向量索引（可调图质量）：
FT.CREATE documents ON HASH PREFIX 1 docs: SCHEMA doc_embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 1536 DISTANCE_METRIC COSINE M 40 EF_CONSTRUCTION 250

建 FLAT 向量索引（JSON）：
FT.CREATE idx:bikes_vss ON JSON PREFIX 1 bikes: SCHEMA $.vector VECTOR FLAT 6 TYPE FLOAT32 DIM 768 DISTANCE_METRIC COSINE

写入与 KNN 查询（DIALECT 2 必填）：
FT.SEARCH documents "*=>[KNN 10 @doc_embedding $BLOB]" PARAMS 2 BLOB "\x12\xa9\xf5\x6c" DIALECT 2

关键指标

尚未核验对标产品，此处只列本工具自身指标，不做对比结论。

指标Redis

价格免费增值

开源是

上手难度进阶

优点

在既有 Redis 内存数据上建向量索引，无需新组件。
FLAT 与 HNSW 兼顾精确性与查询延迟。
支持 COSINE/L2/IP 与哈希、JSON 多种数据结构。
开源免费（RSALv2/SSPLv1/AGPLv3），Cloud 托管可选。

缺点

KNN 查询默认 LIMIT 为 10，需显式指定返回数量。
向量查询必须带 DIALECT 2，否则语法不被支持。
向量 BLOB 字节长度必须与 schema 声明的 DIM 一致。
集群模式下向量索引分片可能不均衡，影响查询。