Redis AI func #377

AlexStocks · 2026-07-26T09:49:31Z

AlexStocks
Jul 26, 2026
Maintainer

截至 2026 年 7 月 26 日，Redis 8.8.1 确实已经发布；但你这段描述把四套不同层级的能力混在了一起：

Redis 8 统一发行包中的 Search、JSON、Time Series、Bloom 等原 Redis Stack 能力；
Redis 8.0 新增的原生 Vector Set 数据类型；
Redis Query Engine 的 FLAT/HNSW 向量索引、全文检索、混合检索和 RRF；
RedisVL 的自建语义缓存，以及 Redis LangCache 托管服务。

最重要的结论是：

VADD/VSIM Vector Set、FT.CREATE/FT.SEARCH/FT.HYBRID Search 索引、RedisVL SemanticCache，是三条不同的技术路径，不能当成同一种功能的不同语法。

一、先校正你描述中的几个关键点

原描述 | 核对结果 -- | -- RediSearch、RedisJSON 全部并入 Redis 核心代码 | 产品交付层面基本正确：Redis 8 把 Redis Stack 和社区发行版合并为统一的 Redis Open Source 发行包，相关组件默认包含；但源码和维护层面仍保留 RedisSearch、RedisJSON 等组件边界，不能理解为全部重写成传统 Redis Core 代码。Redis 8 GA 公告 Vector Set 支持 HNSW/FLAT | 不准确。Vector Set 使用 HNSW；TRUTH 可以临时执行精确线性扫描，但没有可选的持久化 FLAT 索引。FLAT、HNSW 等索引类型属于 Redis Query Engine。Vector Set 官方文档、Query Engine 向量索引 Vector Set 支持 RRF | 不准确。RRF 属于 Redis 8.4 起的 FT.HYBRID，不是 VSIM 的能力。FT.HYBRID 8.8.x 量化和裁剪固定降低 26%～37% 内存 | 当前官方 Vector Set 文档没有这个统一指标。官方表述是：Q8 的向量载荷约为 FP32 的四分之一；BIN 约为 FP32 的三十二分之一。整个 key 的总内存还包括 HNSW 链接、元素名和属性，不能直接套用固定百分比。Vector Set 官方实现说明 Array 在 8.8.1 首次引入 | Array 是 Redis 8.8.0 引入的，8.8.1 自然包含它。8.8.1 本身是安全修复版本。Redis 8.8 公告、Redis 8.8.1 Release RedisVL SemanticCache 就是 Redis LangCache | 不是。SemanticCache 使用你自己的 Redis 和 Search 索引；LangCacheSemanticCache 调用托管的 LangCache HTTP API。RedisVL SemanticCache、LangCache 后端

Array 可以用于：

最近 N 条对话线索；
按序号或时间戳索引的事件；
ring buffer；
稀疏编号记录；
范围聚合。

但它不自动提供：

embedding；
语义召回；
权限隔离；
记忆巩固；
记忆摘要；
遗忘策略；
多 Agent 记忆命名空间。

因此不能把 Array 本身等价为“Agent Memory”。

八、对 Kiwi 项目的特别说明

当前 Kiwi 只是把 Redis 8.8.1 exact tag/commit 作为兼容性 Oracle 和接口设计基线，不代表 Kiwi 已经实现 Redis 8.8.1 的全部数据类型和 Redis Stack 能力。

项目当前明确把以下内容列为非目标：

Redis Stack/Search/JSON/TimeSeries/Bloom 完整实现；
AI 向量数据库；
Agent Memory；
语义缓存；
推理 KV Cache。

对应本地依据见 [PROJECT.md (line 106)](/D:/test/github/kiwi/.planning/PROJECT.md:106)；当前仍处于 Cache OFF、兼容性和稳定性基线阶段，见 [STATE.md (line 17)](/D:/test/github/kiwi/.planning/STATE.md:17)。

所以：

上面的 VADD/VSIM 和 RedisVL 示例应连接官方 Redis 8.8.1，而不能假定当前 Kiwi 服务端已经支持这些命令。

本轮只做了官方文档、Redis 8.8.1 exact tag 源码和 RedisVL 0.23.0 API 的只读核查，没有修改 Kiwi 文件，也没有运行 Redis 服务端集成测试。上述命令语法与版本边界的置信度高；具体延迟、召回率和总内存占用仍需使用你的 embedding 模型和真实数据集基准测试。

截至 2026 年 7 月 26 日，Redis 8.8.1 确实已经发布；但你这段描述把四套不同层级的能力混在了一起：

Redis 8 统一发行包中的 Search、JSON、Time Series、Bloom 等原 Redis Stack 能力；
Redis 8.0 新增的原生 Vector Set 数据类型；
Redis Query Engine 的 FLAT/HNSW 向量索引、全文检索、混合检索和 RRF；
RedisVL 的自建语义缓存，以及 Redis LangCache 托管服务。

最重要的结论是：

VADD/VSIM Vector Set、FT.CREATE/FT.SEARCH/FT.HYBRID Search 索引、RedisVL SemanticCache，是三条不同的技术路径，不能当成同一种功能的不同语法。

一、先校正你描述中的几个关键点

原描述	核对结果
RediSearch、RedisJSON 全部并入 Redis 核心代码	产品交付层面基本正确：Redis 8 把 Redis Stack 和社区发行版合并为统一的 Redis Open Source 发行包，相关组件默认包含；但源码和维护层面仍保留 RedisSearch、RedisJSON 等组件边界，不能理解为全部重写成传统 Redis Core 代码。[Redis 8 GA 公告](https://redis.io/blog/redis-8-ga/)
Vector Set 支持 HNSW/FLAT	不准确。Vector Set 使用 HNSW；`TRUTH` 可以临时执行精确线性扫描，但没有可选的持久化 FLAT 索引。FLAT、HNSW 等索引类型属于 Redis Query Engine。[Vector Set 官方文档](https://redis.io/docs/latest/develop/data-types/vector-sets/)、[[Query Engine 向量索引](https://redis.io/docs/latest/develop/ai/search-and-query/vectors/)](https://redis.io/docs/latest/develop/ai/search-and-query/vectors/)
Vector Set 支持 RRF	不准确。RRF 属于 Redis 8.4 起的 `[FT.HYBRID](https://redis.io/docs/latest/commands/ft.hybrid/)`，不是 `VSIM` 的能力。FT.HYBRID
8.8.x 量化和裁剪固定降低 26%～37% 内存	当前官方 Vector Set 文档没有这个统一指标。官方表述是：Q8 的向量载荷约为 FP32 的四分之一；BIN 约为 FP32 的三十二分之一。整个 key 的总内存还包括 HNSW 链接、元素名和属性，不能直接套用固定百分比。[Vector Set 官方实现说明](https://github.com/redis/redis/blob/8.8.1/modules/vector-sets/README.md)
Array 在 8.8.1 首次引入	Array 是 Redis 8.8.0 引入的，8.8.1 自然包含它。8.8.1 本身是安全修复版本。[Redis 8.8 公告](https://redis.io/blog/announcing-redis-8-8/)、[[Redis 8.8.1 Release](https://github.com/redis/redis/releases/tag/8.8.1)](https://github.com/redis/redis/releases/tag/8.8.1)
RedisVL SemanticCache 就是 Redis LangCache	不是。`SemanticCache` 使用你自己的 Redis 和 Search 索引；`LangCacheSemanticCache` 调用托管的 LangCache HTTP API。[RedisVL SemanticCache](https://docs.redisvl.com/en/latest/user_guide/03_llmcache.html)、[[LangCache 后端](https://docs.redisvl.com/en/latest/user_guide/13_langcache_semantic_cache.html)](https://docs.redisvl.com/en/latest/user_guide/13_langcache_semantic_cache.html)

Redis 8.8.1 的上游 tag 对应 commit：

77b6c308396c9700672390a210143a8496fb4b10

VADD、VSIM 从 Redis 8.0.0 起存在；Array 的 AR* 命令从 Redis 8.8.0 起存在。

二、Vector Set 到底是什么

Vector Set 是一个独立 Redis key 类型：

key
└── Vector Set
    ├── element-1 → vector + optional JSON attributes
    ├── element-2 → vector + optional JSON attributes
    └── element-3 → vector + optional JSON attributes

它比较像“向量版 Sorted Set”：

Sorted Set：元素关联一个 score；
Vector Set：元素关联一个高维向量；
使用 VADD 添加；
使用 VSIM 搜索相似元素；
使用 VSETATTR 附加 JSON 属性；
使用 FILTER 对属性进行过滤；
使用 HNSW 图进行近似最近邻搜索。

它适合：

相似商品、相似文章、相似图片；
embedding 去重；
轻量语义检索；
推荐候选召回；
不需要完整全文索引体系的向量集合。

如果你还需要 BM25 全文检索、标签、数值范围、JSONPath、聚合、RRF，就应该使用 Redis Query Engine，而不是只用 Vector Set。

三、Vector Set 核心命令语法

1. `[VADD](https://redis.io/docs/latest/commands/vadd/)`

概念化语法如下：

VADD key
     [REDUCE target-dimension]
     (
       VALUES dimension value [value ...]
       |
       FP32 little-endian-binary-blob
     )
     element
     [CAS]
     [NOQUANT | Q8 | BIN]
     [EF build-exploration-factor]
     [SETATTR json-attributes]
     [M num-links]

官方参考：VADD

最简单的写法：

VADD points VALUES 2 1.0 1.0 pt:A
VADD points VALUES 2 -1.0 -1.0 pt:B
VADD points VALUES 2 -1.0 1.0 pt:C
VADD points VALUES 2 1.0 -1.0 pt:D
VADD points VALUES 2 1.0 0.0 pt:E

这里：

points       Vector Set 的 Redis key
VALUES       使用文本浮点数传输
2            向量维度
1.0 1.0      向量值
pt:A         元素名称

第一次 VADD 会自动创建 Vector Set。

检查类型、数量和维度：

TYPE points
VCARD points
VDIM points

预期：

TYPE points  -> vectorset
VCARD points -> 5
VDIM points  -> 2

2. `[VSIM](https://redis.io/docs/latest/commands/vsim/)`

概念化语法：

VSIM key
     (
       ELE existing-element
       |
       VALUES dimension value [value ...]
       |
       FP32 little-endian-binary-blob
     )
     [WITHSCORES]
     [WITHATTRIBS]
     [COUNT number]
     [EPSILON maximum-distance]
     [EF search-exploration-factor]
     [FILTER expression]
     [FILTER-EF maximum-filtering-effort]
     [TRUTH]
     [NOTHREAD]

官方参考：VSIM

按查询向量搜索：

VSIM points VALUES 2 0.9 0.1 WITHSCORES COUNT 3

含义是：在 points 中找出最接近 [0.9, 0.1] 的三个元素，并返回相似度分数。

也可以用集合中已有元素作为查询向量：

VSIM points ELE pt:A WITHSCORES COUNT 4

这种方式不需要客户端重新发送 pt:A 的向量。

3. 属性与过滤

写入向量时直接附加属性：

VADD products VALUES 3 0.8 0.1 0.2 product:1001 \
  SETATTR '{"category":"book","year":2025,"tenant":"acme"}'

VADD products VALUES 3 0.7 0.2 0.3 product:1002 \
  SETATTR '{"category":"book","year":2023,"tenant":"acme"}'

VADD products VALUES 3 -0.8 -0.1 -0.2 product:2001 \
  SETATTR '{"category":"movie","year":2025,"tenant":"other"}'

也可以后补或更新属性：

VSETATTR products product:1001 \
  '{"category":"book","year":2026,"tenant":"acme"}'

读取属性：

VGETATTR products product:1001

过滤搜索：

VSIM products VALUES 3 0.75 0.15 0.25 \
  FILTER '.year >= 2024' \
  WITHSCORES \
  WITHATTRIBS \
  COUNT 10

组合过滤：

VSIM products VALUES 3 0.75 0.15 0.25 \
  FILTER '.category == "book" && .year >= 2024' \
  WITHSCORES \
  WITHATTRIBS \
  COUNT 10

需要注意：Vector Set 的属性过滤是轻量标量过滤，不等价于 Redis Query Engine 的完整全文、JSON、标签和聚合查询体系。

4. 量化模式

Vector Set 提供三种向量存储模式：

VADD vectors:q8 VALUES 3 0.1 0.2 0.3 item:1 Q8
VADD vectors:fp32 VALUES 3 0.1 0.2 0.3 item:1 NOQUANT
VADD vectors:bin VALUES 3 0.1 0.2 0.3 item:1 BIN

模式	含义	内存	精度
`Q8`	有符号 8 位量化，默认模式	较低，向量载荷约为 FP32 的 1/4	通常较好
`NOQUANT`	保持 FP32	最高	最高
`BIN`	二值量化	最低，向量载荷约为 FP32 的 1/32	召回损失通常更明显

量化类型实际上是整个 Vector Set 的格式属性，应在这个 key 的第一次 VADD 时确定。不要试图让同一个 Vector Set 中的不同元素使用不同量化格式。

Q8 和 BIN 的内存比例仅针对向量载荷。Vector Set 的总内存还包括：

HNSW 节点；
图连接指针；
元素字符串；
JSON 属性；
Radix Tree 和其他管理结构。

因此不能把“向量缩小四倍”直接等价为“Redis key 总内存缩小 75%”。

5. 降维：`REDUCE`

假设原始 embedding 有 768 维，希望随机投影到 256 维：

VADD embeddings \
  REDUCE 256 \
  VALUES 768 <这里是768个浮点数> \
  document:1

检查实际存储维度：

VDIM embeddings

返回：

后续查询仍然提供原始 768 维向量，Redis 使用首次创建 Vector Set 时保存的投影矩阵执行相同投影。

需要注意：

REDUCE 必须出现在 VALUES 或 FP32 之前；
它是随机投影，不是 PCA，也不是模型感知降维；
降维越多，召回率越可能下降；
应使用真实业务数据测 recall，而不是直接根据内存目标设置维度。

6. 精确扫描：`TRUTH`

正常 VSIM 使用 HNSW 近似搜索：

VSIM points VALUES 2 0.9 0.1 WITHSCORES COUNT 3

加入 TRUTH：

VSIM points VALUES 2 0.9 0.1 WITHSCORES COUNT 3 TRUTH

会绕过 HNSW，对全部元素进行 O(N) 精确线性扫描。

主要用途：

生成 ground truth；
测量 HNSW recall；
排查量化或图搜索造成的召回问题；
离线验证参数。

不应把 TRUTH 当成大型集合的常规生产查询方式。

7. 其他常用命令

# 元素数量
VCARD points

# 向量维度
VDIM points

# 判断元素是否存在
VISMEMBER points pt:A

# 读取近似还原后的向量
VEMB points pt:A

# 查看原始量化表示
VEMB points pt:A RAW

# 删除元素
VREM points pt:A

# 随机抽样
VRANDMEMBER points
VRANDMEMBER points 10

# 按元素名称范围遍历
VRANGE points - + 100

# 查看 Vector Set 元数据
VINFO points

# 查看 HNSW 邻居
VLINKS points pt:A WITHSCORES

四、Python 操作 Vector Set

如果客户端暂时没有封装对应方法，最稳妥的方式是使用 execute_command()。

安装：

pip install redis numpy

示例：

import json

import numpy as np
import redis


client = redis.Redis(
    host="127.0.0.1",
    port=6379,
    decode_responses=False,
)


def fp32_le(values: list[float]) -> bytes:
    """编码为 Redis Vector Set 所需的小端 FP32 blob。"""
    return np.asarray(values, dtype="<f4").tobytes()


key = b"documents:vectors"

documents = [
    (
        b"doc:1",
        [0.10, 0.20, 0.30],
        {
            "category": "database",
            "year": 2025,
            "tenant": "acme",
        },
    ),
    (
        b"doc:2",
        [0.11, 0.19, 0.31],
        {
            "category": "database",
            "year": 2024,
            "tenant": "acme",
        },
    ),
    (
        b"doc:3",
        [-0.80, 0.10, -0.20],
        {
            "category": "movie",
            "year": 2025,
            "tenant": "other",
        },
    ),
]

for element, vector, attributes in documents:
    client.execute_command(
        "VADD",
        key,
        "FP32",
        fp32_le(vector),
        element,
        "Q8",
        "SETATTR",
        json.dumps(attributes, separators=(",", ":")),
    )

query_vector = [0.105, 0.205, 0.295]

result = client.execute_command(
    "VSIM",
    key,
    "FP32",
    fp32_le(query_vector),
    "WITHSCORES",
    "WITHATTRIBS",
    "COUNT",
    3,
    "FILTER",
    '.tenant == "acme"',
)

print(result)

这里必须注意：

FP32 blob 应明确使用小端序，即 NumPy 的 "<f4"；
使用二进制向量时建议 decode_responses=False；
RESP2 和 RESP3 下，WITHSCORES + WITHATTRIBS 的结果结构不同；
生产代码应将响应转换成明确的数据类，不要让业务层直接依赖原始嵌套数组结构。

如果使用支持 Vector Set 的新版 redis-py，官方文档还提供了更高层的接口：

vector_set = client.vset()

但在跨版本应用中，execute_command() 更容易明确控制具体 Redis 命令协议。

五、RedisVL 语义缓存怎么写

这里要先明确：

RedisVL 的 SemanticCache 当前使用 Redis Search/Query Engine 建立向量索引，不是把 prompt 直接写进 Vector Set。

它更适合 LLM 语义缓存，因为它需要：

prompt 文本；
response；
embedding；
metadata；
tenant/model/version 等过滤字段；
TTL；
Search 索引。

1. 安装

如果使用 Hugging Face 本地向量模型：

pip install "redisvl[sentence-transformers]"

截至核查时间，RedisVL 最新官方 release 是 0.23.0。[RedisVL v0.23.0](https://github.com/redis/redis-vl-python/releases/tag/v0.23.0)

2. 创建语义缓存

from redisvl.extensions.cache.llm import SemanticCache
from redisvl.utils.vectorize import HFTextVectorizer


cache = SemanticCache(
    name="qa-semantic-cache",
    redis_url="redis://127.0.0.1:6379",
    vectorizer=HFTextVectorizer("redis/langcache-embed-v2"),
    distance_threshold=0.1,
    ttl=3600,
)

distance_threshold 是余弦距离阈值：

范围：0～2
越小：匹配越严格
越大：匹配越宽松

它不是“相似度达到 0.1”，而是“距离不能超过 0.1”。

3. Read-through 缓存流程

def call_llm(prompt: str) -> str:
    # 替换成你的 OpenAI、Anthropic、本地模型或其他 LLM 调用。
    return f"模型返回：{prompt}"


def answer_question(prompt: str) -> str:
    hits = cache.check(
        prompt=prompt,
        num_results=1,
        return_fields=[
            "prompt",
            "response",
            "metadata",
        ],
    )

    if hits:
        return hits[0]["response"]

    response = call_llm(prompt)

    cache.store(
        prompt=prompt,
        response=response,
        metadata={
            "model": "my-model",
            "prompt_version": "v1",
        },
    )

    return response

调用：

print(answer_question("法国的首都是哪里？"))
print(answer_question("法国首都是什么城市？"))

第二个问题可能命中第一个问题的语义缓存。

4. 多租户和权限隔离

不能只根据 prompt 相似度返回缓存，否则可能出现跨用户数据泄露。

创建可过滤字段：

from redisvl.extensions.cache.llm import SemanticCache


cache = SemanticCache(
    name="private-qa-cache",
    redis_url="redis://127.0.0.1:6379",
    filterable_fields=[
        {"name": "tenant_id", "type": "tag"},
        {"name": "model", "type": "tag"},
        {"name": "prompt_version", "type": "tag"},
        {"name": "locale", "type": "tag"},
    ],
)

写入：

cache.store(
    prompt="我的账户余额是多少？",
    response="账户余额为 100 元。",
    filters={
        "tenant_id": "tenant-a",
        "model": "model-v3",
        "prompt_version": "system-v7",
        "locale": "zh-CN",
    },
)

查询：

from redisvl.query.filter import Tag


scope = (
    (Tag("tenant_id") == "tenant-a")
    & (Tag("model") == "model-v3")
    & (Tag("prompt_version") == "system-v7")
    & (Tag("locale") == "zh-CN")
)

hits = cache.check(
    prompt="请问我还有多少钱？",
    filter_expression=scope,
    num_results=1,
)

生产语义缓存至少应隔离：

tenant/user；
模型名称和版本；
system prompt 版本；
工具集合或 Agent 配置版本；
locale；
权限上下文；
知识库版本。

对于账户、医疗、交易、权限相关回答，只按语义相似度命中是不安全的。

5. TTL、阈值和清理

# 修改距离阈值
cache.set_threshold(0.2)

# 修改默认 TTL，单位秒
cache.set_ttl(300)

# 清空缓存内容
cache.clear()

# 删除缓存及底层索引
cache.delete()

删除特定条目：

key = cache.store(
    prompt="What is Redis?",
    response="Redis is an in-memory data platform.",
)

result = cache.check(
    prompt="What is Redis?",
    return_fields=["entry_id", "prompt", "response"],
)

entry_id = result[0]["entry_id"]

cache.drop(ids=[entry_id])

# 或使用 store() 返回的完整 Redis key
# cache.drop(keys=[key])

六、托管 Redis LangCache 是另一条路径

如果不想自己维护 Redis Search 索引，可以使用托管 LangCache：

pip install "redisvl[langcache]"

示例：

import os

from redisvl.extensions.cache.llm import LangCacheSemanticCache


cache = LangCacheSemanticCache(
    name="my-app-cache",
    server_url="https://aws-us-east-1.langcache.redis.io",
    cache_id=os.environ["LANGCACHE_CACHE_ID"],
    api_key=os.environ["LANGCACHE_API_KEY"],
    ttl=3600,
)

hits = cache.check(
    prompt="What is Redis?",
    num_results=1,
)

if hits:
    response = hits[0]["response"]
else:
    response = "Redis is an in-memory data platform."

    cache.store(
        prompt="What is Redis?",
        response=response,
        ttl=300,
    )

它与本地 SemanticCache 的主要区别：

能力	`SemanticCache`	`LangCacheSemanticCache`
数据位置	自己的 Redis	托管 LangCache
后端协议	Redis Search	HTTP API
原始向量查询	支持	不支持
RedisVL `FilterExpression`	支持	不支持
过滤方式	Search filter fields	预先配置的 LangCache attributes
单条更新	支持部分更新	当前不支持，删除后重新写入
运维 Redis/Search	需要	不需要

七、什么时候选 Vector Set，什么时候选 RedisVL/Search

需求	推荐方案
一个 key 下存储大量向量，按近邻查找	Vector Set：`VADD/VSIM`
简单向量搜索加少量数值或字符串属性过滤	Vector Set
全文 BM25 + 向量检索	Redis Query Engine
文本、标签、数值、JSON、向量的复合查询	Redis Query Engine
需要 RRF 或线性融合	`FT.HYBRID`
自建 LLM 语义缓存	RedisVL `SemanticCache`
不想维护 Redis/Search 后端	`LangCacheSemanticCache`
Agent 短期事件滑动窗口	Redis 8.8 Array 或 Stream，取决于消费语义
Agent 长期语义记忆	Hash/JSON + Search 向量索引，或专门的 Agent Memory 层
只需要精确顺序和 push/pop	List
需要消费组、ack、重投递	Stream

Array 可以用于：

最近 N 条对话线索；
按序号或时间戳索引的事件；
ring buffer；
稀疏编号记录；
范围聚合。

但它不自动提供：

embedding；
语义召回；
权限隔离；
记忆巩固；
记忆摘要；
遗忘策略；
多 Agent 记忆命名空间。

因此不能把 Array 本身等价为“Agent Memory”。

八、对 Kiwi 项目的特别说明

当前 Kiwi 只是把 Redis 8.8.1 exact tag/commit 作为兼容性 Oracle 和接口设计基线，不代表 Kiwi 已经实现 Redis 8.8.1 的全部数据类型和 Redis Stack 能力。

项目当前明确把以下内容列为非目标：

Redis Stack/Search/JSON/TimeSeries/Bloom 完整实现；
AI 向量数据库；
Agent Memory；
语义缓存；
推理 KV Cache。

对应本地依据见 PROJECT.md；当前仍处于 Cache OFF、兼容性和稳定性基线阶段，见 STATE.md。

所以：

上面的 VADD/VSIM 和 RedisVL 示例应连接官方 Redis 8.8.1，而不能假定当前 Kiwi 服务端已经支持这些命令。

本轮只做了官方文档、Redis 8.8.1 exact tag 源码和 RedisVL 0.23.0 API 的只读核查，没有修改 Kiwi 文件，也没有运行 Redis 服务端集成测试。上述命令语法与版本边界的置信度高；具体延迟、召回率和总内存占用仍需使用你的 embedding 模型和真实数据集基准测试。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Redis AI func #377

Uh oh!

{{title}}

Uh oh!

Replies: 0 comments

Select a reply

Uh oh!

Uh oh!

Redis AI func #377

Uh oh!

AlexStocks Jul 26, 2026 Maintainer

一、先校正你描述中的几个关键点

八、对 Kiwi 项目的特别说明

一、先校正你描述中的几个关键点

二、Vector Set 到底是什么

三、Vector Set 核心命令语法

1. [VADD](https://redis.io/docs/latest/commands/vadd/)

2. [VSIM](https://redis.io/docs/latest/commands/vsim/)

3. 属性与过滤

4. 量化模式

5. 降维：REDUCE

6. 精确扫描：TRUTH

7. 其他常用命令

四、Python 操作 Vector Set

五、RedisVL 语义缓存怎么写

1. 安装

2. 创建语义缓存

3. Read-through 缓存流程

4. 多租户和权限隔离

5. TTL、阈值和清理

六、托管 Redis LangCache 是另一条路径

七、什么时候选 Vector Set，什么时候选 RedisVL/Search

八、对 Kiwi 项目的特别说明

Replies: 0 comments

AlexStocks
Jul 26, 2026
Maintainer

1. `[VADD](https://redis.io/docs/latest/commands/vadd/)`

2. `[VSIM](https://redis.io/docs/latest/commands/vsim/)`

5. 降维：`REDUCE`

6. 精确扫描：`TRUTH`