【智能体学习笔记】安装并使用向量数据库

本文介绍如何使用Docker部署RedisSearch服务并构建向量数据库。首先通过docker run命令启动RedisStack服务器，然后安装Python依赖包包括langchain-redis和sentence-transformers。重点展示了创建向量数据库的过程：配置HuggingFace本地嵌入模型，设置Redis连接参数，最后通过RedisVectorStore存储文本向量。示例

NG477

171人浏览 · 2026-05-05 21:32:17

NG477 · 2026-05-05 21:32:17 发布

1.使用 docker 拉取一个带 redissearch 的 redis 镜像
docker 拉取命令为：docker run -p 6379:6379 redis/redis-stack-server:latest

2.安装redis依赖

安装依赖命令：pip install -q langchain-redis

3.安装 Python 依赖

安装依赖命令：pip install -U langchain-redis redis langchain-openai

若LangChain 环境存在问题，按照下边提示修复

4.先测试 Redis 连接（确认 Redis 服务通不通）

5.终端执行

pip install sentence-transformers
pip install langchain-huggingface

6.创建向量数据库

点击执行，本地模型第一次运行需要下载模型文件

调整后的完整代码如下：

# 创建向量数据库
#2.正确导包+定义嵌入模型
from langchain_redis import RedisConfig,RedisVectorStore
from langchain_huggingface import HuggingFaceEmbeddings  # 本地模型专用

# #3.API Key   接口限制 改用本地
# MY_API_KEY="sk-63aa322226f040eb995163c72095f85c"
# MY_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"

#4.定义真正的嵌入模型
embedding_model = HuggingFaceEmbeddings(model_name="shibing624/text2vec-base-chinese")

#5. Redis配置
config=RedisConfig(
    index_name="fruit",
    redis_url="redis://localhost:6379",
    model="text-embedding-3-small" #指定能用的模型
)

#6.创建向量库
vector_store=RedisVectorStore(embedding_model,config=config)
#7.添加文本
# vector_store.add_texts(["杏子很圆","苹果很甜","西瓜很大"])
vector_store.add_texts([
    "杏子是圆形的黄色水果",
    "苹果是红色的甜味水果",
    "西瓜是巨大的绿色水果"])

print("成功存入向量数据库！！！")