Redis

主流的内存数据库，通过 Redis Stack 提供向量相似度检索与全文搜索能力，常用于 AI 应用的缓存与检索层。

它到底解决什么问题

Redis 是个内存数据库，数据放在内存里，读写延迟通常在亚毫秒级。这个特性决定了它的典型位置：挡在慢速存储前面的那一层。缓存会话、计数器、排行榜、消息队列、分布式锁，这些活儿它干了十几年，生态成熟到几乎所有主流语言都有官方客户端。

但真正让它值得单独拿出来说的，是 Redis Stack 带来的两块能力：向量相似度检索和全文搜索。前者让 Redis 能直接参与 AI 应用的检索环节——把 embedding 存进去，按相似度查出来，不用再额外搭一套向量数据库。后者提供全文索引、聚合查询、模糊匹配，补上了早期 Redis 只能靠 key 精确查找的短板。

谁该考虑用它

如果你在做 AI 应用，需要给 RAG（检索增强生成）流程配一个低延迟的检索层，Redis 的向量检索可以在同一个实例里同时承担缓存和召回，省掉一次跨系统的网络往返。如果你在做传统业务系统，只是需要一个靠谱的缓存，那 Redis 本身就是默认答案，没什么好犹豫的。

不太适合的场景也说清楚：需要复杂事务和强一致性的核心账务数据，别放 Redis；数据量远超内存预算、又要求全量持久化的场景，它也不是最优解。

向量检索怎么用

核心是 FT.CREATE 建索引时声明一个 VECTOR 字段，指定维度、距离度量（余弦、内积、欧氏距离）和索引算法（FLAT 精确但慢，HNSW 近似但快）。写入时把向量和元数据一起存成 hash，查询用 FT.SEARCH 带 KNN 参数。

一个实际的好处是混合查询：向量相似度可以和普通字段过滤写在同一条查询里，比如「找出语义最接近的 10 篇文档，且发布时间在最近一周内」。这个组合在纯向量数据库里往往要应用层自己拼，Redis 原生支持。

搜索与持久化

全文搜索支持中文分词（需要加载对应分词器）、词干提取、同义词配置，聚合能力也够用。持久化方面有 RDB 快照和 AOF 日志两种模式，可以组合使用；主从复制和 Redis Sentinel、Redis Cluster 覆盖了从高可用到水平扩展的需求。

一句话概括：它不是一个新东西，但向量检索这块能力让它重新变得值得关注。如果你的架构里已经躺着 Redis，先用它试试 AI 检索层，大概率不用再引入新组件。

常见问题

Redis 是什么？

主流的内存数据库，通过 Redis Stack 提供向量相似度检索与全文搜索能力，常用于 AI 应用的缓存与检索层。

Redis 的官方网站是什么？

Redis 的官方网站是 https://redis.io，可直接在浏览器中打开使用。