redis ai resources
1.0.0
演示|食谱|教程|集成|内容|基准|文档
没有比潜水和玩演示更快的方法。
| 演示 | 描述 |
|---|---|
| Redis Rag Workbench | 交互式演示，可以在用户上传的PDF上构建基于抹布的聊天机器人。切换不同的设置和配置，以提高聊天机器人的性能和质量。利用Redisvl，Langchain，Ragas等。 |
| REDIS VSS-简单的精简演示 | 简化了Redis矢量搜索的演示 |
| arxiv搜索 | 与React Fe的Redis实施完整的堆栈 |
| 产品搜索 | 使用REDIS堆栈和Redis Enterprise搜索矢量搜索 |
| Arxivchatguru | 用Redis＆Openai的Arxiv文档的抹布的简化演示 |
需要Quickstarts开始您的Redis AI旅程吗？从这里开始。
| 食谱 | 描述 |
|---|---|
| /redis-intro/00_redis_intro.ipynb | 如果是雷迪斯的崭新的起点 |
| /vector-search/00_redispy.ipynb | 使用Redis Python客户端进行矢量搜索 |
| /vector-search/01_redisvl.ipynb | 使用REDIS矢量库搜索矢量搜索 |
| /vector-search/02_hybrid_search.ipynb | 带有REDIS的混合搜索技术（BM25 +矢量） |
| /vector-search/03_float16_support.ipynb | 显示如何将float32索引转换为使用float16 |
检索增强生成（又名抹布）是一种提高LLM响应用户查询能力的技术。抹布的检索部分由向量数据库支持，该数据库可以将语义相关的结果返回到用户的查询中，并用作上下文信息，以增强LLM的生成能力。
要开始使用抹布，无论是从头开始还是使用诸如llamaindex或langchain之类的流行框架，请使用这些食谱：
| 食谱 | 描述 |
|---|---|
| /rag/01_redisvl.ipynb | 与redis矢量库的抹布 |
| /rag/02_langchain.ipynb | 使用Redis和Langchain的抹布 |
| /rag/03_llamaindex.ipynb | 使用redis和llamaindex的抹布 |
| /rag/04_advanced_redisvl.ipynb | 高级抹布技术 |
| /rag/05_nvidia_ai_rag_redis.ipynb | 使用redis和nvidia nims的抹布 |
| /rag/06_ragas_evaluation.ipynb | 利用拉加斯框架评估抹布性能 |
LLM无状态。要在对话中保持上下文，必须存储聊天会议并对LLM不满。 REDIS管理聊天会话的存储和检索，以维持上下文和对话相关性。
| 食谱 | 描述 |
|---|---|
| /LLM-SESSION-MANAGER/00_SESSION_MANAGER.IPYNB | 具有语义相似性的LLM会话经理 |
| /llm-session-manager/01_multiple_sessions.ipynb | 与一个实例一起处理多个同时聊天 |
估计有31％的LLM查询是潜在的冗余（来源）。 REDIS使语义缓存能够迅速降低LLM成本。
| 食谱 | 描述 |
|---|---|
| /semantic-cache/doc2cache_llama3_1.ipynb | 使用DOC2CACHE框架和Llama3.1构建语义缓存 |
| /semantic-cache/semantic_caching_gemini.ipynb | 使用Redis和Google Gemini构建语义缓存 |
| 食谱 | 描述 |
|---|---|
| /agents/00_langgraph_redis_agentic_rag.ipynb | 笔记本开始使用Lang-Graph和代理商 |
| /agents/01_crewai_langgraph_redis.ipynb | 笔记本开始使用Lang-Graph和代理商 |
| 食谱 | 描述 |
|---|---|
| /computer-vision/00_facial_recognition_facenet.ipynb | 使用面部嵌入模型和REDISVL构建面部识别系统。 |
| 食谱 | 描述 |
|---|---|
| /recommendation-systems/00_content_filtering.ipynb | 介绍内容过滤示例与redisvl |
| /recommendation-systems/01_collaborative_filtering.ipynb | 介绍协作过滤示例与redisvl |
在不同的用例和主题中需要更深入研究吗？
| 教程 | 描述 |
|---|---|
| 代理抹布 | 一个专注于与LlamainDex和Cohere的代理抹布的教程 |
| 抹布在vertexai上 | 带有顶点AI的Redis的抹布教程 |
| 推荐系统与NVIDIA MERLIN和REDIS | 三个例子，每个例子都在复杂性上升级，展示了用NVIDIA和REDIS构建实时收获的过程 |
REDIS与AI生态系统中的许多不同玩家集成在一起。这是以下策划的清单：
| 一体化 | 描述 |
|---|---|
| redisvl | 专用Python客户端为Redis作为矢量数据库 |
| AWS Bedrock | 通过将基础模型作为统一API来简化Genai部署 |
| Langchain Python | 流行的Python客户lib用于构建REDIS提供支持的LLM应用程序 |
| Langchain JS | 流行的JS客户lib用于构建由Redis提供支持的LLM应用程序 |
| Llamaindex | Redis作为矢量数据库的LlamainDEX集成（以前为GPT索引） |
| Litellm | 流行的LLM代理层有助于管理和简化多个基础模型的使用 |
| 语义内核 | MSFT流行的LIB将LLM与插件集成 |
| 相关 | 标记，搜索和分析非结构化数据的平台，以REDIS构建 |
| docarray | Redis作为VectordB的Docarray集成Jina AI |
