Auf dieser Seite wird beschrieben, wie Memorystore for Valkey das Speichern und Abfragen von Vektordaten für generative KI-Anwendungen wie Retrieval Augmented Generation (RAG) und LangChain mithilfe von Vektorsuchfunktionen unterstützt.
Vektorsuche für generative KI mit LangChain verwenden
Die Vektorsuche in Memorystore for Valkey ist mit dem Open-Source-LLM-Framework LangChain kompatibel. Mit der Vektorsuche mit LangChain können Sie Lösungen für die folgenden Anwendungsfälle erstellen:
- RAG
- LLM-Cache
- Empfehlungssystem
- Semantische Suche
- Suche nach Bildähnlichkeit
Vorteile der Vektorsuche für generative KI in Memorystore for Valkey
Der Vorteil der Verwendung von Memorystore zum Speichern Ihrer generativen KI-Daten im Vergleich zu anderen Google Cloud Datenbanken ist die Geschwindigkeit. Die Vektorsuche in Memorystore for Valkey nutzt Multithread-Abfragen, was zu einem hohen Abfragedurchsatz (QPS) bei niedriger Latenz führt.
Ansätze für die Verwendung der Vektorsuche für generative KI in Memorystore for Valkey
Memorystore bietet außerdem zwei verschiedene Suchansätze, mit denen Sie das richtige Gleichgewicht zwischen Geschwindigkeit und Genauigkeit finden können. Die Option „Hierarchical Navigable Small World“ (HNSW) liefert schnelle, ungefähre Ergebnisse, die sich ideal für große Datasets eignen, bei denen eine enge Übereinstimmung ausreicht. Wenn Sie absolute Präzision benötigen, liefert der FLAT-Ansatz genaue Antworten, die Verarbeitung kann jedoch etwas länger dauern.
Wenn Sie Ihre Anwendung für die schnellsten Lese- und Schreibgeschwindigkeiten für Vektordaten optimieren möchten, ist Memorystore for Valkey wahrscheinlich die beste Option für Sie.