如何在Redis Vector Database存储OpenAI Embeddings及Azure部署方案

一、术语澄清 #

• Redis：基础开源键值对数据库，主打高性能缓存、会话存储等场景，原生不支持向量存储与查询，需通过扩展模块实现向量能力。
• Redis Vector Database：并非独立产品，指启用了Redis Stack（包含RedisSearch & Query、RedisJSON等模块）的Redis实例，具备向量存储、相似度检索、混合查询（向量+结构化数据）能力。
• Azure Cache for Redis：Azure托管的标准Redis服务，提供基础/标准/高级三层。仅高级层支持启用Redis Stack，从而具备向量数据库功能，适合中小规模场景。
• Azure Redis Enterprise：Azure上的企业级Redis托管服务，默认集成Redis Stack全部功能，支持更高吞吐量、低延迟、全球分布式部署，适合生产级大规模向量应用场景。

二、存储OpenAI Embeddings到Redis向量库的步骤 #

前提：确保你的Redis实例已启用Redis Stack（云版免费试用账户通常默认开启），且已能通过Python连接数据库。

1. 安装依赖

pip install redis openai numpy

2. Python代码实现

import openai
import redis
import numpy as np
from redis.commands.search.field import VectorField, TextField
from redis.commands.search.indexDefinition import IndexDefinition, IndexType

# 配置OpenAI API密钥
openai.api_key = "你的OpenAI API密钥"

# 配置Redis连接参数
REDIS_HOST = "你的Redis主机地址"
REDIS_PORT = 你的端口号
REDIS_PASSWORD = "你的Redis密码"
INDEX_NAME = "embeddings_index"
VECTOR_DIM = 1536  # OpenAI text-embedding-ada-002的向量维度

# 连接Redis客户端
r = redis.Redis(
    host=REDIS_HOST,
    port=REDIS_PORT,
    password=REDIS_PASSWORD,
    decode_responses=False
)

# 创建向量索引（仅首次运行需要）
try:
    r.ft(INDEX_NAME).create_index(
        fields=[
            TextField("content"),
            VectorField("embedding", "FLAT", {"TYPE": "FLOAT32", "DIM": VECTOR_DIM, "DISTANCE_METRIC": "COSINE"})
        ],
        definition=IndexDefinition(prefix=["doc:"], index_type=IndexType.HASH)
    )
except Exception as e:
    print("索引已存在或创建失败：", e)

# 获取OpenAI Embedding
def get_openai_embedding(text):
    response = openai.Embedding.create(
        input=text,
        model="text-embedding-ada-002"
    )
    return response['data'][0]['embedding']

# 存储向量到Redis
text_content = "需要生成向量的文本内容"
embedding = get_openai_embedding(text_content)
embedding_bytes = bytes(np.array(embedding, dtype=np.float32))
r.hset(
    "doc:1",  # 文档唯一标识，可自定义
    mapping={
        "content": text_content,
        "embedding": embedding_bytes
    }
)

# 相似度查询示例
query_text = "查询的文本"
query_embedding = get_openai_embedding(query_text)
query_embedding_bytes = bytes(np.array(query_embedding, dtype=np.float32))

results = r.ft(INDEX_NAME).search(
    f"*=>[KNN 5 @embedding $query_embedding AS score]",
    query_params={"query_embedding": query_embedding_bytes},
    return_fields=["content", "score"]
)

for doc in results.docs:
    print(f"内容: {doc.content}, 相似度得分: {doc.score}")

注意：代码中需替换你的API密钥、Redis连接信息；若使用其他OpenAI embedding模型，需调整VECTOR_DIM对应维度。

三、在Azure上部署Redis向量数据库 #

方法1：通过Azure Cache for Redis（高级层）部署 #

1. 登录Azure门户，搜索并创建「Azure Cache for Redis」实例。
2. 在「定价层」选择高级层（仅高级层支持Redis Stack），按需选择节点大小。
3. 在「高级」配置页，启用「Redis Stack」选项，确认包含RedisSearch模块。
4. 完成网络、访问策略等配置后，创建实例。实例运行后，在「访问密钥」页获取连接字符串，用于后续连接。

方法2：通过Azure Redis Enterprise部署 #

1. 登录Azure门户，搜索并创建「Azure Redis Enterprise」集群。
2. 配置集群的区域、节点大小、副本数等基础参数，完成集群创建。
3. 在集群页面创建新数据库，启用「向量搜索」功能（默认已包含在企业级数据库中）。
4. 配置数据库的访问密钥、网络规则，获取数据库连接字符串即可使用。

内容的提问来源于stack exchange，提问作者Surya