Redis Vector Set 怎么保存并检索相似向量

Redis Vector Set 保存相似向量的最短路径是：用 VADD 把“元素标识 + 定长向量”写入一个 key，再用 VSIM 传入查询向量，或引用集合中的已有元素完成相似度检索。它从 Redis Open Source 8.0 起提供，底层面向高维向量建立 HNSW 结构，适合语义搜索、推荐候选和相似内容召回。

官方地址：https://redis.io/docs/latest/develop/data-types/vector-sets/

先确认版本、维度和向量来源

我第一次把向量接进 Redis 时，最容易忽略的不是命令语法，而是数据契约。一个 Vector Set 里的向量必须来自一致的语义空间：同一个嵌入模型、相同维度、相同预处理方式。否则命令即使能执行，相似度也没有可比性。

# 确认服务端版本，并检查两个核心命令是否存在
redis-cli INFO server | grep redis_version
redis-cli COMMAND INFO VADD VSIM

# 新建集合后可用 VDIM 查看固定维度
redis-cli VDIM product:vectors

如果 COMMAND INFO 查不到 VADD 或 VSIM，先处理 Redis 版本或部署兼容性，不要把普通 Set、Sorted Set 和 Vector Set 混为一类。Vector Set 的元素仍是字符串标识，但每个元素额外关联一个向量，并可附带顶层 JSON 属性。

保存前先比较 VALUES、FP32 和量化方式

量化模式在集合第一次写入时确定，后续元素需要保持一致。调试阶段我通常先用 VALUES 搭配默认 Q8，确认业务链路后再由客户端改为 FP32；如果使用 FP32 blob，必须确保字节序为 little-endian。

用 VADD 保存向量和属性

下面用三维向量演示商品语义。真实嵌入通常有数百维，命令形状不变，只要维度数量和数值个数一致即可。

# 第一次写入会创建 Vector Set；Q8 是默认量化方式
redis-cli VADD product:vectors VALUES 3 0.82 0.12 0.44 item:coffee   SETATTR '{"category":"drink","price":29.9}'

# 继续写入同维度元素，并附带可筛选的顶层属性
redis-cli VADD product:vectors VALUES 3 0.79 0.18 0.40 item:tea   SETATTR '{"category":"drink","price":19.9}'

# 写入另一个语义方向，便于观察相似度排序
redis-cli VADD product:vectors VALUES 3 0.10 0.91 0.22 item:keyboard   SETATTR '{"category":"device","price":199}'

VADD 对已存在的元素会更新其向量。属性既可以随 SETATTR 一起写入，也可以之后用 VSETATTR 修改。完成写入后，用只读命令检查基本状态：

# 检查元素数量、固定维度和集合内部信息
redis-cli VCARD product:vectors
redis-cli VDIM product:vectors
redis-cli VINFO product:vectors

# 查看元素向量和属性；量化后 VEMB 数值可能与输入不完全相同
redis-cli VEMB product:vectors item:coffee
redis-cli VGETATTR product:vectors item:coffee

用查询向量或已有元素做 VSIM 检索

如果请求侧刚生成了一个新向量，就直接传给 VSIM；如果要做“看了咖啡，再找相似商品”，可以用 ELE 引用集合中的元素。两种方式共享同一个索引，但调用方准备数据的成本不同。

# 传入临时查询向量，返回前三个元素及相似度分数
redis-cli VSIM product:vectors VALUES 3 0.80 0.15 0.42   WITHSCORES COUNT 3

# 直接以已保存元素作为查询向量，并一并返回 JSON 属性
redis-cli VSIM product:vectors ELE item:coffee   WITHSCORES WITHATTRIBS COUNT 3

结果分数越接近 1，通常表示余弦相似度越高。Vector Set 是近似检索结构，所以线上结果还受到量化和搜索探索范围影响；如果只是验证功能，先看排序是否符合预期，再进入参数调优。

需要业务条件时再加 FILTER

向量相似并不等于业务可用。若只希望返回饮品且价格低于 30，可以让 VSIM 同时读取元素属性：

# FILTER 只访问顶层 JSON 字段；缺失或类型不匹配的元素会被跳过
redis-cli VSIM product:vectors VALUES 3 0.80 0.15 0.42   COUNT 3 WITHSCORES WITHATTRIBS   FILTER '.category == "drink" and .price 

过滤表达式支持比较、算术、逻辑运算和 in，但只支持顶层字段。过滤结果突然为空时，先用 VGETATTR 检查字段名、JSON 合法性和数值类型，不要立刻把问题归因于向量质量。

召回、延迟和内存怎么取舍

# 增加搜索探索范围，用更多计算换取更好的近似召回
redis-cli VSIM product:vectors VALUES 3 0.80 0.15 0.42   COUNT 3 WITHSCORES EF 500

# 用精确线性扫描做小规模基准对照，不建议直接替代线上近似检索
redis-cli VSIM product:vectors VALUES 3 0.80 0.15 0.42   COUNT 3 WITHSCORES TRUTH

选择标准可以压缩成一句话：先用 VALUES + Q8 + 默认 EF 跑通，再用真实查询集比较召回与延迟；只有指标证明需要时，才切换 FP32、NOQUANT、BIN 或更高 EF。

哪些情况不适合直接用一个 Vector Set

• 不同模型或不同维度混存：应拆成不同 key，避免语义空间不可比较。
• 需要复杂文档检索与多字段索引：Vector Set 的属性过滤适合轻量条件，复杂搜索要评估 Redis Search 等方案。
• 数据规模需要跨实例分片：写入可以分散到多个 key，但全局检索要并发查询各分片并在客户端合并分数。
• 要求逐项精确距离：近似 HNSW 与量化更适合召回，严格精确计算应另设核验或重排阶段。

相关问题

问：VEMB 返回的向量为什么和写入值略有不同？
默认 Q8 会量化向量，VEMB 返回的是近似值；需要更高精度时应在新集合首次写入时选择 NOQUANT。

问：查询向量必须先写入 Redis 吗？
不必。VSIM 可以直接接收 VALUES 或 FP32 查询向量；只有需要以集合内某个元素作为参照时才使用 ELE。

问：可以在一个集合里更换向量维度吗？
不可以。集合维度由首次写入确定，后续 VADD 必须提供相同维度。

问：如何判断低召回来自量化还是搜索范围？
先用 TRUTH 做小规模对照，再分别提高 EF、检查 Q8/BIN 模式；一次只改一个变量，才能看清影响。