本文通过 完整可落地的Spring Boot代码，演示Redis 9的向量搜索能力，涵盖环境搭建、数据注入、近邻搜索全流程。无需冗余理论，直接上干货！

为什么选择Redis向量搜索？

1. 性能：百万向量搜索仅需毫秒级响应
2. 简化架构：替代Elasticsearch+Faiss多组件方案
3. 实时更新：支持动态增删改，传统方案需全量重建索引
4. 低成本：内存优化技术（HNSW+FP16压缩）节省50%内存

核心应用场景

实战：Spring Boot集成Redis向量搜索

环境准备

# 使用Redis Stack Docker镜像（含向量搜索模块）
docker run -d --name redis-vector -p 6379:6379 redis/redis-stack-server:latest

Maven依赖

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-data-redis</artifactId>
    </dependency>
    <dependency>
        <groupId>io.redisearch</groupId>
        <artifactId>redisearch-client</artifactId>
        <version>2.0.0</version>
    </dependency>
</dependencies>

Step 1: 定义向量索引

import io.redisearch.Schema;
import io.redisearch.client.Client;

public class VectorIndexCreator {
    
    public static void createProductIndex() {
        Client client = new Client("product-index", "localhost", 6379);
        
        // 定义索引结构：512维向量 + 商品元数据
        Schema schema = new Schema()
                .addVectorField("embedding", 
                    Schema.VectorField.VectorAlgo.HNSW, 
                    new Schema.VectorField.VectorAlgoParams()
                        .dimension(512)  // 向量维度
                        .type(Schema.VectorField.VectorType.FLOAT32)
                        .distanceMetric("COSINE"))  // 相似度算法
                .addTextField("name", 1.0)
                .addNumericField("price");
        
        // 创建索引（FT.CREATE）
        client.createIndex(schema, 
            Client.IndexOptions.defaultOptions()
                .setPrefix("product:")
        );
    }
}

Step 2: 注入向量数据

import io.redisearch.Document;
import io.redisearch.client.Client;
import java.util.HashMap;
import java.util.Map;

public class VectorDataLoader {
    
    public static void loadSampleData() {
        Client client = new Client("product-index", "localhost", 6379);
        
        // 生成随机测试向量（实际业务用模型产出）
        float[] embedding = new float[512];
        for (int i = 0; i < 512; i++) {
            embedding[i] = (float) Math.random();
        }
        
        // 构建文档（HSET product:1）
        Map<String, Object> fields = new HashMap<>();
        fields.put("name", "Wireless Headphones");
        fields.put("price", 199);
        fields.put("embedding", embedding);  // 关键向量字段
        
        Document doc = new Document("product:1001", fields);
        client.addDocument(doc);  // 执行插入
    }
}

Step 3: 执行向量相似度搜索

import io.redisearch.Query;
import io.redisearch.SearchResult;
import io.redisearch.client.Client;
import java.util.Arrays;

public class VectorSearcher {
    
    public static SearchResult searchSimilarProducts(float[] queryEmbedding, int k) {
        Client client = new Client("product-index", "localhost", 6379);
        
        // 构建KNN查询（COSINE相似度TOP-K）
        String vectorParam = Arrays.toString(queryEmbedding)
            .replace("[", "")
            .replace("]", "");
        
        // 关键语法：=>[KNN 10 @embedding $vector]
        Query q = new Query("*=>[KNN " + k + " @embedding $vector]")
            .addParam("vector", queryEmbedding)
            .setSortBy("__embedding_score", true)  // 按相似度排序
            .dialect(2);  // 必须启用Dialect 2支持向量
        
        return client.search(q);
    }
}

Step 4: 测试验证（JUnit示例）

import org.junit.jupiter.api.Test;
import java.util.List;

class VectorSearchTest {
    
    @Test
    void testSearch() {
        // 模拟查询向量（实际从模型获取）
        float[] queryVec = new float[512];
        Arrays.fill(queryVec, 0.8f);
        
        // 搜索最相似的5个商品
        SearchResult result = VectorSearcher.searchSimilarProducts(queryVec, 5);
        
        // 打印结果
        result.getDocuments().forEach(doc -> 
            System.out.println("ID: " + doc.getId() + 
                " | 商品名: " + doc.get("name") +
                " | 相似度: " + (1 - doc.getScore()))); // 分数越小越相似
    }
}

性能实测数据（百万级向量）

注：测试环境 AWS c6g.4xlarge（16核32GB），Redis 9.0.1

典型问题解决方案

1. 内存优化

// 创建索引时启用FP16压缩（节省50%内存）
.addVectorField("embedding", 
     Schema.VectorField.VectorAlgo.HNSW,
     new Schema.VectorField.VectorAlgoParams()
         .dimension(512)
         .type(Schema.VectorField.VectorType.FLOAT16) // ← 关键改动

2. 混合查询：向量搜索+条件过滤

// 搜索价格<300的相似商品
Query q = new Query("(@price:[0 300])=>[KNN 10 @embedding $vector]")

3. 索引优化参数

.setHNSWParams(new Schema.VectorField.HNSWParams()
     .efConstruction(200)  // 构建质量
     .M(16)               // 层间连接数

何时不适用Redis向量搜索？

• 数据规模 > 10亿级 → 考虑专业向量数据库（Milvus/Qdrant）
• 需要复杂聚合运算 → 结合Elasticsearch使用
• 纯磁盘存储场景 → Redis仍以内存为核心

总结

Redis 9的向量搜索能力已覆盖80%的AI应用场景：
毫秒响应 - 依托内存计算+HNSW算法
零运维成本 - 无需维护Faiss等独立组件
无缝扩展 - Redis Cluster分片支持