redis ai resources
1.0.0
Demos | Rezepte | Tutorials | Integrationen | Inhalt | Benchmarks | Dokumente
Kein schnellerer Weg, um loszulegen, als durch Eintauchen und mit einer Demo herumzuspielen.
| Demo | Beschreibung |
|---|---|
| Redis Rag Workbench | Interaktive Demo zum Erstellen eines Lappen-basierten Chatbots über einem von Benutzer vorgeladenen PDF. Schalten Sie verschiedene Einstellungen und Konfigurationen um, um die Leistung und Qualität der Chatbot zu verbessern. Verwendet Redisvl, Langchain, Ragas und mehr. |
| Redis VSS - Einfache strombare Demo | Stromlit -Demo der Redis -Vektor -Suche |
| Arxiv -Suche | Vollstapel -Implementierung von Redis mit React Fe |
| Produktsuche | Vektorsuche mit Redis Stack und Redis Enterprise |
| Arxivchatguru | Stromlitische Demo von Rag über Arxiv -Dokumenten mit Redis & Openai |
Benötigen Sie QuickStarts, um Ihre Redis AI -Reise zu beginnen? Beginnen Sie hier.
| Rezept | Beschreibung |
|---|---|
| /Redis-intro/00_redis_Intro.ipynb | Der Ort, an dem Sie anfangen können, wenn Sie brandneu zu reduzieren |
| /Vector-search/00_redispy.ipynb | Vektorsuche mit Redis Python Client |
| /Vector-search/01_redisvl.ipynb | Vektorsuche mit Redis Vector Library |
| /Vector-search/02_Hybrid_search.ipynb | Hybrid -Suchtechniken mit Redis (BM25 + Vektor) |
| /Vector-search/03_float16_support.ipynb | Zeigt, wie ein Float32 -Index für die Verwendung von Float16 konvertiert wird |
Abrufener Augmented Generation (auch bekannt als Rag) ist eine Technik, um die Fähigkeit eines LLM zu verbessern, auf Benutzeranfragen zu reagieren. Der Abrufenteil von RAG wird durch eine Vektor -Datenbank unterstützt, die semantisch relevante Ergebnisse in die Abfrage eines Benutzers zurückgeben kann und als Kontextinformationen dient, um die generativen Funktionen eines LLM zu erweitern .
Um mit RAG zu beginnen, entweder von Grund auf oder verwenden Sie ein beliebtes Framework wie Llamaindex oder Langchain, gehen Sie mit folgenden Rezepten:
| Rezept | Beschreibung |
|---|---|
| /Rag/01_redisvl.ipynb | Lappen von Grund auf neu mit der Redis Vector Library |
| /Rag/02_langchain.ipynb | Lappen mit Redis und Langchain |
| /Rag/03_llamaindex.ipynb | Lappen mit Redis und Llamaindex |
| /Rag/04_advanced_redisvl.ipynb | Fortgeschrittene Lappentechniken |
| /Rag/05_nvidia_ai_rag_redis.ipynb | Lappen mit Redis und Nvidia nims |
| /Rag/06_ragas_evaluation.ipynb | Verwenden Sie das Ragas -Framework, um die Lagleistung zu bewerten |
LLMs sind staatenlos. Um den Kontext innerhalb einer Gesprächs -Chat -Sitzungen aufrechtzuerhalten, müssen die LLM gespeichert und ärgern. Redis verwaltet die Speicherung und das Abrufen von Chat -Sitzungen, um Kontext und Konversationsrelevanz aufrechtzuerhalten.
| Rezept | Beschreibung |
|---|---|
| /llm-sitzend-Manager/00_Session_Manager.ipynb | LLM Session Manager mit semantischer Ähnlichkeit |
| /llm-sitzend-Manager/01_Multiple_Sessions.ipynb | Behandeln Sie mehrere gleichzeitige Chats mit einer Instanz |
Schätzungsweise 31% der LLM -Abfragen sind potenziell überflüssig (Quelle). Redis ermöglicht es semantischem Caching, die LLM -Kosten schnell zu senken.
| Rezept | Beschreibung |
|---|---|
| /Semantic-cache/doc2cache_llama3_1.ipynb | Erstellen Sie einen semantischen Cache mit dem DOC2Cache Framework und LLAMA3.1 |
| /Semantic-cache/semantic_caching_gemini.ipynb | Erstellen Sie einen semantischen Cache mit Redis und Google Gemini |
| Rezept | Beschreibung |
|---|---|
| /agss/00_langgraph_redis_agentic_rag.ipynb | Notizbuch, um mit Lang-Graph und Agenten zu beginnen |
| /agss/01_crewai_langgraph_redis.ipynb | Notizbuch, um mit Lang-Graph und Agenten zu beginnen |
| Rezept | Beschreibung |
|---|---|
| /computer-vision/00_facial_recognition_facenet.ipynb | Erstellen Sie ein Gesichtserkennungssystem unter Verwendung des Spaceet -Einbettungsmodells und der Redisvl. |
| Rezept | Beschreibung |
|---|---|
| /Recommendation-systems/00_content_filtering.ipynb | Beispiele für Inhaltsinhalte mit redisvl |
| /recommendation-systems/01_collaborative_filtering.ipynb | Intro Collaborative Filtering Beispiel mit redisvl |
Benötigen Sie ein tieferes Tauchgang durch verschiedene Anwendungsfälle und Themen?
| Tutorial | Beschreibung |
|---|---|
| Agentenlappen | Ein Tutorial, das sich auf Agentenlappen mit Lamaindex und Cohere konzentriert |
| Lappen auf Scheitelpunkt | Ein Lag -Tutorial mit Redis mit Scheitelpunkt AI |
| Empfehlungssysteme mit Nvidia Merlin & Redis | Drei Beispiele, die jeweils in Komplexität eskalieren, zeigt den Prozess des Aufbaus von Realtime Recsys mit Nvidia und Redis |
Redis integriert sich in viele verschiedene Spieler im AI -Ökosystem. Hier ist eine kuratierte Liste unten:
| Integration | Beschreibung |
|---|---|
| Redisvl | Ein dedizierter Python -Client Lib für Redis als Vektor DB |
| AWS -Grundgestein | Stromlinien für den Einsatz von Genai, indem Grundmodelle als einheitliche API angeboten werden |
| Langchain Python | Beliebter Python -Kunde LIB für den Bau von LLM -Anwendungen, die von Redis betrieben werden |
| Langchain JS | Beliebter JS -Kunde LIB für den Bau von LLM -Anwendungen, die von Redis betrieben werden |
| Llamaindex | Lamaindex-Integration für Redis als Vektordatenbank (ehemals GPT-Index) |
| Litellm | Beliebte LLM -Proxy -Ebene, um die Verwendung mehrerer Fundamentmodelle zu verwalten und zu optimieren |
| Semantischer Kernel | Beliebte lib von MSFT zur Integration von LLMs in Plugins |
| Relevance | Plattform zum Markieren, Durchsuchen und Analysieren von unstrukturierten Daten schneller, die auf Redis basieren |
| Docarray | Docarray -Integration von Redis als Vectordb von Jina AI |
