使用 SemanticKernel 进行 vector 的存储与检索

主要观点总结

文章介绍了在2024年落地的LLM应用中，RAG技术的广泛应用及其重要性。文章详细解释了RAG技术中的向量作用，包括文本嵌入、相似性搜索和增强生成。文章还展示了如何使用SK（SemanticKernel）对向量进行存储和检索操作，并以Redis作为向量数据库进行演示。最后，文章提供了向量CRUD操作和向量相似度搜索的示例，并总结了SK为我们提供的多种向量数据库选择。示例代码已上传到github。

关键观点总结

关键观点1: LLM应用广泛采用RAG技术

在2024年落地的LLM应用中，大多数公司和个体开发者由于技术和成本限制，主要结合RAG技术使用。RAG技术因其易用性和高效性受到广泛欢迎。

关键观点2: 向量的角色在RAG中至关重要

向量在RAG中扮演将文本数据转换为高维向量表示的角色，便于进行相似性搜索和信息检索。向量的应用包括文本嵌入、相似性搜索和增强生成。

关键观点3: SK提供了方便的向量操作接口

SK的IVectorStore接口为各种向量存储方案提供了统一的接口标准。开发者只需实现这个接口，就可以使用各种向量存储方案，如InMemory、Redis、Azure Cosmos、Qdrant、PG等。

关键观点4: 使用Redis作为向量数据库进行演示

文章以Redis作为向量数据库的例子，展示了如何初始化RedisVectorStore、collection，以及使用embedding generation服务。此外，还演示了向量的CRUD操作和向量相似度搜索。

关键观点5: 多种向量数据库选择

SK为我们提供了多种向量数据库的选择，如Azure Cosmos、Qdrant、PG等。开发者可以根据需求快速选择自己喜欢的向量数据库。