如何用JavaScript（ioredis）实现Azure Redis向量余弦相似度搜索？

首先要确保你的Azure Redis缓存实例是Enterprise层级，并且启用了Redis Stack（包含Redisearch和RedisJSON模块）——这是实现向量搜索的基础，因为原生Redis不支持向量索引与相似度计算。

1. 安装依赖 #

npm install ioredis mathjs

ioredis用于和Redis交互，mathjs可选，用于客户端侧的余弦相似度计算（如果需要）。

2. 连接Azure Redis缓存 #

const Redis = require('ioredis');

// 从Azure门户获取你的Redis连接字符串
const redis = new Redis({
  host: 'your-redis-host.redis.cache.windows.net',
  port: 6380,
  password: 'your-redis-password',
  tls: true // Azure Redis强制要求TLS
});

3. 创建向量索引 #

先创建包含向量字段的搜索索引，这里假设我们存储的是文档+向量数据：

async function createVectorIndex() {
  // 索引名称：doc_index，定义向量字段为content_vector（维度假设为1536，适配常见大模型输出）
  await redis.call('FT.CREATE', 'doc_index', 'ON', 'JSON', 'PREFIX', '1', 'doc:', 
    'SCHEMA', '$.content_vector', 'AS', 'content_vector', 'VECTOR', 'FLAT', '6', 'TYPE', 'FLOAT32', 'DIM', '1536', 'DISTANCE_METRIC', 'COSINE');
  console.log('向量索引创建成功');
}

createVectorIndex().catch(console.error);

• DISTANCE_METRIC设置为COSINE，指定用余弦相似度计算距离
• DIM要和你实际使用的向量维度一致（比如OpenAI的text-embedding-ada-002是1536）

4. 插入带向量的数据 #

async function insertDocument(docId, content, vector) {
  // 存储为JSON格式，键前缀为doc:，对应索引的PREFIX设置
  await redis.json.set(`doc:${docId}`, '$', {
    content: content,
    content_vector: vector
  });
  console.log(`文档${docId}插入成功`);
}

// 示例：插入一个测试文档（vector是1536维的float32数组）
const testVector = new Float32Array(1536).fill(0.1); // 替换为你的真实向量
insertDocument('1', '测试文档内容', testVector).catch(console.error);

5. 执行余弦相似度搜索（KNN） #

用Redis的FT.SEARCH命令执行最近邻搜索，返回与目标向量最相似的Top N结果：

async function searchSimilarVectors(targetVector, topN = 5) {
  // 将目标向量转换为Redis接受的二进制格式（FLOAT32）
  const vectorBuffer = Buffer.from(targetVector.buffer);
  
  // 执行KNN搜索，使用COSINE距离
  const results = await redis.call('FT.SEARCH', 'doc_index', 
    '*=>[KNN $topN @content_vector $query_vector AS distance]', 
    'PARAMS', '2', 'topN', topN, 'query_vector', vectorBuffer,
    'RETURN', '2', '$.content', 'distance',
    'SORTBY', 'distance', 'ASC',
    'LIMIT', '0', topN);
  
  // 格式化结果
  const formattedResults = [];
  for (let i = 1; i < results.length; i += 2) {
    const docKey = results[i];
    const docData = results[i+1];
    formattedResults.push({
      docId: docKey.split(':')[1],
      content: docData['$.content'],
      cosineSimilarity: 1 - parseFloat(docData.distance) // 余弦距离转相似度（距离范围0-2，相似度=1-距离）
    });
  }
  return formattedResults;
}

// 示例：搜索与测试向量相似的文档
searchSimilarVectors(testVector, 3).then(results => {
  console.log('相似文档结果：', results);
}).catch(console.error);

注意：Redis返回的是余弦距离（范围0到2），所以相似度需要转换为1 - 距离（范围0到1，值越大越相似）。

备选：客户端侧计算余弦相似度 #

如果你的Redis实例不支持Redis Stack，也可以先拉取所有向量到客户端，再计算余弦相似度：

const { dot, norm } = require('mathjs');

function cosineSimilarity(vecA, vecB) {
  return dot(vecA, vecB) / (norm(vecA) * norm(vecB));
}

async function searchSimilarClientSide(targetVector) {
  // 拉取所有文档向量
  const docKeys = await redis.keys('doc:*');
  const docs = await Promise.all(docKeys.map(key => redis.json.get(key, '$')));
  
  // 计算每个文档与目标向量的相似度并排序
  const results = docs.map((doc, index) => ({
    docId: docKeys[index].split(':')[1],
    content: doc[0].content,
    cosineSimilarity: cosineSimilarity(Array.from(doc[0].content_vector), Array.from(targetVector))
  })).sort((a, b) => b.cosineSimilarity - a.cosineSimilarity);
  
  return results.slice(0, 5); // 返回Top5
}

这种方法适合数据量小的场景，数据量大时性能很差，推荐优先使用Redis Stack的原生搜索。

内容的提问来源于stack exchange，提问作者MSTr