Redis Vector Sets 存储相似度结果的查询组织

Redis Vector Sets 适合把“向量相似度”和“可筛选属性”放进同一个查询边界：先用 VADD 让每个元素拥有固定维度的向量，再用 VSIM 按查询向量或已有元素检索，最后用 COUNT、WITHSCORES 和 FILTER 控制结果形态。真正需要先设计的不是一条命令，而是 key、维度、元素标识和属性字段这四个输入契约。

官方地址：https://redis.io/docs/latest/

先固定向量集合的输入契约

把一条内容、商品或记忆看成一个元素，把 embedding 看成它的向量，把年份、评分、租户等可检索字段放在属性里。示例只用二维数字，方便看清数据关系；真实文本 embedding 往往有更多维度。

# 用 VALUES 写入两个二维元素；元素名是业务侧稳定的结果标识
VADD points VALUES 2 1.0 1.0 pt:A
VADD points VALUES 2 -1.0 -1.0 pt:B

# 先确认对象类型、成员数量和向量维度
TYPE points
VCARD points
VDIM points

这里的 points 是 Vector Set key，2 是维度，pt:A 是元素名。生产环境不要把会变化的展示标题直接当元素名，否则更新和回溯都会变得困难。写入后至少记录三项检查：类型应为 vectorset，数量应与有效元素数一致，维度应与 embedding 模型契约一致。

用 VADD 和属性组织相似度对象

只做相似度检索时，向量和元素名已经够用；需要按年份、评分或类型过滤时，再给元素附加顶层 JSON 属性。属性可以在写入时用 SETATTR 设置，也可以用 VSETATTR 后补。

# 写入时绑定简单属性；字段类型要和之后的过滤表达式一致
VADD movies VALUES 3 0.5 0.8 0.2 movie:1 SETATTR '{"year": 2022, "rating": 8.4}'

# 后续修改属性，不改变元素标识
VSETATTR movies movie:1 '{"year": 2023, "rating": 8.6}'

# 排查过滤没有命中时，先把实际属性取出来
VGETATTR movies movie:1

year 和 rating 应保存为数值，而不是带引号的字符串；否则 .rating > 8 这类表达式可能因类型不匹配而排除元素。属性字段尽量保持扁平，既便于过滤，也避免把大段业务文档复制到每个向量元素中。

用 VSIM 组合结果数量与分数

VSIM 有两种常用输入：VALUES 后跟查询向量，或 ELE 后跟集合中已有的元素名。前者适合外部模型刚产生一个 embedding 的场景，后者适合“找和某条内容相似的内容”。

# 以查询向量检索，限制返回 3 个元素
VSIM movies VALUES 3 0.5 0.8 0.2 COUNT 3

# 以已有元素 movie:1 为参照，并返回元素名与相似度分数
VSIM movies ELE movie:1 COUNT 3 WITHSCORES

默认只关心元素名时，不要无条件打开 WITHSCORES；需要二次排序、阈值判断或解释推荐结果时再返回分数。COUNT 是结果数量上限，不是召回质量开关；如果结果不理想，优先查向量维度、量化和搜索参数。

把属性过滤放到查询边界

Vector Set 的价值在于可以在相似度查询里同时表达简单的标量条件。例如只返回 2020 年以后、评分超过 8 的元素：

# FILTER 只读取元素属性；FILTER-EF 控制为满足过滤而检查的候选范围
VSIM movies VALUES 3 0.5 0.8 0.2 COUNT 5 \
  FILTER '.year >= 2020 and .rating > 8' FILTER-EF 500

过滤表达式使用点号访问顶层字段，支持比较、逻辑运算和 in。缺少字段、JSON 无效或字段类型不匹配时，元素会被静默跳过；因此“结果为空”不一定是向量相似度没有命中，也可能是属性条件把候选排光了。条件很稀疏时可以提高 FILTER-EF，代价是检查更多候选；不要把它当成固定推荐值。

按规模与精度要求收敛方案

出现低召回时，先用较高的 EF 做对照，再检查量化模式；官方文档还提供 TRUTH 作为线性扫描对照，但它更慢，适合验证而不是常态查询。出现内存上涨时，重点看向量维度、量化方式、图连接参数 M 和属性 JSON 大小。

这套组织方式的边界也很明确：Vector Set 解决的是向量相似度与轻量属性过滤，不等于把复杂全文检索、深层 JSON 查询和业务主数据都塞进同一个 key。元素名负责稳定关联，属性负责轻量筛选，业务详情仍可放在独立的数据结构中。

相关问题

为什么 VSIM 返回的元素比 COUNT 少？

先检查过滤条件、属性是否缺失以及 FILTER-EF。如果没有过滤，再确认集合中实际成员数和查询向量维度。

什么时候使用 ELE 而不是 VALUES？

已有集合元素作为参照时用 ELE；查询向量来自集合外的 embedding 服务时用 VALUES。

FILTER-EF 越大越好吗？

不是。它可能提高稀疏条件下找到足够结果的机会，但会增加候选检查成本，应按召回率和延迟压测后决定。