使用 SemanticKernel 进行 vector 的存储与检索
💡
原文中文，约3800字，阅读约需9分钟。
📝
内容提要
本文介绍了2024年LLM应用与RAG技术的结合，强调向量在文本处理中的重要性，包括文本嵌入、相似性搜索和生成增强。通过SK和Redis实现向量存储与检索，展示基本CRUD操作和向量搜索，旨在帮助读者学习SemanticKernel。
🎯
关键要点
- 2024年LLM应用主要结合RAG技术，适合没有fine-tuning能力的用户。
- RAG技术中，向量用于将文本数据转换为高维向量表示，以实现高效的相似性搜索和信息检索。
- 向量在RAG中的作用包括文本嵌入、相似性搜索和增强生成。
- 使用SemanticKernel（SK）可以方便地进行向量的存储与检索。
- 定义User Model类以描述数据结构，并使用SK提供的IVectorStore接口。
- 使用Redis作为向量数据库进行向量存储，需使用redis/redis-stack-server镜像。
- 初始化RedisVectorStore和collection以存储用户信息。
- 使用Ollama服务生成文本的向量表示。
- 演示了向量的基本CRUD操作，包括插入、更新、删除和获取。
- 展示了如何进行向量相似度搜索，配置匹配字段并获取前几个结果。
- SK支持多种向量数据库选择，如Azure Cosmos、Qdrant、PG等，方便用户选择。
➡️
