| 失效链接处理 |
|
Redis 宣布正式接入AI
相关截图：
 主要内容：
一、先聊聊 Redis：它到底是个啥
如果你写过三年以上的后端，大概率跟 Redis 打过交道。它的经典形象是这样的：一个跑在内存里的键值数据库，读写延迟在微秒级，用来扛住数据库前面的流量。
Redis 的全称是 REmote DIctionary Server，2009 年由 Salvatore Sanfilippo 开源。它最出名的设计是"数据结构服务器"这个定位——它不只是存字符串，还原生提供 List、Hash、Set、Sorted Set、Stream、Bitmap、HyperLogLog 这些结构。
所以过去十几年里，Redis 在项目里的角色大致是这么几类：
缓存：挡在 MySQL 前面，抗读流量；
分布式锁：SET key value NX PX 30000，几乎是标配；
消息队列：早期用 List，后来用 Stream；
排行榜/计数器：Sorted Set 和 INCR 的主场；
会话存储：把 Session 从单机内存挪出来。
共同点很明显：快，而且结构灵活。而这两个特点，恰好是 AI 应用最缺的东西。
二、为什么是 Redis？AI 时代的"记性问题"
大模型有个天生的毛病：它没有记忆。
每一次调用 LLM，本质上都是无状态的。你上一轮说"我叫张三，不吃辣"，下一轮它就忘了，除非你把这句话重新塞进 prompt 里。于是所有 AI 应用都在干同一件事——在调用模型之前，把相关的上下文找出来、拼进去。
这件事拆开看，就三个动作：
用户问了个问题，把问题变成向量；
去一堆知识/历史里找出语义最接近的几条；
拼成 prompt 丢给模型。
第 2 步要在几十毫秒内完成，否则用户就会觉得"这 AI 怎么这么卡"。而"低延迟 + 海量数据 + 结构化查询"这几个词凑在一起，正是 Redis 十几年来最擅长的活。
于是 Redis 做了一件很自然的事：把向量能力做进内核，然后顺着往上，把智能体记忆这一层也接管了。
三、核心基石：把向量能力做进内核
3.1 原生 Vector Set 数据类型
Redis 8.0 引入了 Vector Set，这是继 Sorted Set 之后少有的"一等公民"级新数据类型。
理解它最快的方式是类比：Sorted Set 里每个元素关联一个分数（标量），Vector Set 里每个元素关联一个向量。前者按分数排序，后者按向量的相似度排序。
底层用的是 HNSW（分层可导航小世界图）算法，这是目前近似最近邻检索里最主流的方案之一——它在图上分层跳跃，能在对数级的时间里找到近似最近邻。
|
联系锋哥QQ：3320160706
苏公网安备 32061202001004号
