• TREFFER
  • KONTEXT
  • RELEVANZ
  • MENSCH

Ähnlichkeitssuche mit der KI über Redis Vector durchführen

Verbinden Sie Redis Vector mit Ihrem KI-Client für ultraschnelle Vektor-Lookups. Sobald die Verbindung steht, kann Ihr Agent Ihre Embedding-Datenbank abfragen, um verwandte Datenpunkte zu finden.

Fragen Sie die KI zu dieser Seite

Kurzantwort

Wie führe ich Ähnlichkeitssuchen mit meiner KI aus?

Ihr KI-Client nutzt das search_vectors Tool für K-Nearest-Neighbor (KNN) Suchen. Er nimmt ein von Ihnen bereitgestelltes Embedding und liefert die mathematisch ähnlichsten Vektoren aus Ihrer Redis-Datenbank zurück. Sie erhalten sofort eine Liste der nächsten Nachbarn.

Die Suchergebnisse

Was eine Suche liefert

Eine Ähnlichkeitssuche liefert spezifische Datenpunkte basierend auf Ihrem Vektorraum.

TREFFER

Nearest-Neighbor-Ergebnisse

Die KI identifiziert die Vektoren mit der geringsten Distanz zu Ihrer Anfrage. Sie erhalten die spezifischen Daten, die mit diesen passenden Embeddings verknüpft sind.

KONTEXT

Relevante Datenabfrage

Ihr Agent ruft die Metadaten ab, die mit den gefundenen Vektoren verknüpft sind. So kann Ihre KI Fragen mit dem Kontext der ähnlichsten Elemente beantworten.

RELEVANZ

Ähnlichkeitswerte

Die Suche zeigt, wie genau jeder Nachbar zu Ihrer Eingabe passt. Sie können diese Werte nutzen, um unpassende Treffer herauszufiltern.

MENSCH

Manuelle Prüfung nötig

Sie müssen entscheiden, ob die mathematische Ähnlichkeit Ihren semantischen Anforderungen entspricht. Die KI liefert die engsten Treffer, Sie prüfen die Qualität.

Der Ablauf

Was Ihre KI tut, wenn die Suchanfrage eintrifft.

Die KI übernimmt die gesamte Kommunikation mit Ihrer Vektordatenbank.

  1. Anfrage empfangen

    Ihr Agent erhält die Anweisung, Daten zu finden, die einem bestimmten Konzept oder Vektor ähneln.

    search_vectors

  2. KNN ausführen

    Die KI ruft das Such-Tool auf, um einen K-Nearest-Neighbor-Algorithmus gegen Ihre Redis-Instanz laufen zu lassen.

    search_vectors

  3. Nachbarn abrufen

    Das Tool identifiziert die nächsten Vektoren und lädt die dazugehörigen Metadaten.

    search_vectors

  4. Ergebnisse präsentieren

    Ihr Agent bereitet die gefundenen Nachbarn auf und zeigt sie Ihnen im Chat-Interface an.

    search_vectors

Probieren Sie es

Kopieren Sie diese Vorlagen zum Start.

Nutzen Sie diese Prompts für Ihre erste Ähnlichkeitssuche.

Startpunkte

Dies sind Beispiele. Ersetzen Sie die Themen oder Vektor-IDs durch Ihre eigenen Daten.

Redis Vector Connector

Alles bereit. Wählen Sie Ihren MCP-Client und folgen Sie den Einrichtungsschritten.

Connector-Linkhttps://edge.vinkius.com/vk_preview_zP1SqypHeKOFu0yRPw2yTUOrfnlmdOQBZrAWkuF4/mcp

Claude Desktop

Folgen Sie den Schritten unten, um sich in Sekunden zu verbinden.

  1. 1In Claude Desktop, open Settings → Connectors.
  2. 2Click “Add custom connector” and paste the connector link above as the remote MCP server URL.
  3. 3Click Add and start a new chat — Redis Vector capabilities are ready to use.
Konfiguration · claude_desktop_config.jsonKopieren
{
  "mcpServers": {
    "redis-vector-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_zP1SqypHeKOFu0yRPw2yTUOrfnlmdOQBZrAWkuF4/mcp"
    }
  }
}
In den Chat kopieren04

  • Finde die 5 ähnlichsten Vektoren zu diesem Embedding: [Vektor einfügen]

  • Suche in Redis nach Nachbarn, die dem Konzept 'Kundenabwanderung' am nächsten kommen.

  • Führe eine Ähnlichkeitssuche durch, um Dokumente zu finden, die zu diesem Text passen: [Text einfügen]

  • Nutze das search_vectors Tool, um die nächsten Nachbarn für die Vektor-ID 'user_123_embedding' zu finden.

  • Claude
  • ChatGPT
  • Cursor
  • VS Code
  • Windsurf
  • Claude Code
  • JetBrains
  • Cline

Starten Sie hier

Einmalig Redis Vector verbinden, dann fragen.

Folgen Sie einfach dem Link, um Ihre Redis-Instanz zu verbinden. Ihre Zugangsdaten bleiben verschlüsselt und Sie können sofort über Ihren KI-Client suchen.

Redis Vector mit Ihrer KI verbinden

FAQ

Verhalten dieser Aufgabe

  • 01

    Kann die KI neue Vektoren in Redis erstellen?

    Nein. Dieser Connector ermöglicht lediglich die Suche nach vorhandenen Vektoren über das search_vectors Tool.

  • 02

    Löscht die KI meine vorhandenen Embeddings?

    Nein. Die KI kann Ihre Daten weder löschen noch verändern; sie führt ausschließlich Read-only-Suchen durch.

  • 03

    Wie viele Nachbarn werden gefunden?

    Die Anzahl der Nachbarn hängt vom K-Wert ab, den Sie in Ihrem Prompt oder Ihrer Anfrage angeben.

  • 04

    Kann ich nach Text statt nach einem Vektor suchen?

    Das Tool führt Suchen auf Basis von Embeddings durch. Sie müssen den Vektor bereitstellen oder Ihr KI-Client muss das Embedding zuerst generieren.

  • 05

    Entscheidet die KI, welche Nachbarn die 'besten' sind?

    Die KI nutzt die mathematische Distanz, um die nächsten Nachbarn zu finden. Sie müssen entscheiden, ob diese Treffer für Ihre Aufgabe sinnvoll sind.

  • Weitere Fragen zu Redis Vector? Die Connector-Seite liefert Antworten. Alle Funktionen des Redis Vector Connectors ansehen

Verbinde Redis Vector mit Claude, Cursor, ChatGPT & mehr