Hash storage es más rápido y usa menos memoria porque los vectores se guardan como compact binary blobs.
Usar Hash cuando:
- Tienes datos flat y simples, sin nested objects
- necesitas maxima query performance
- priorizas memory efficiency
- tu modelo de datos no necesita objetos nesteados
JSON storage añade overhead debido al array structure, pero ofrece más flexibilidad.
Usar JSON cuando:
- tus datos necesitan estructuras nested
- necesitas almacenar múltiples vectores por item
- tu aplicación ya usa JSON
- la flexibilidad es más importante que la raw performance
Using Redis Hash for vectors
IMPORTANTE
Redis Hash es una data structure que guarda la información como pares clave-valor en una single key (ej: product:12345), similar a un diccionario. Cuando usas Hash para vector storage, tus embeddings se convierten en un campo (guardados como binary bytes) junto a otros datos. Hash es muy buena en performance y memory eficiente. Ofrece las queries más rápidas y el menor consumo de memoria.
/IMPORTANTE
Storing vectors in hash
# Code fragment - focus on Hash storage
import numpy as np
embedding = np.array([0.1, 0.2, 0.3, ...], dtype=np.float32)
redis_client.hset(
"product:12345",
mapping={
"name": "Wireless Mouse",
"price": "29.99",
"category": "electronics",
"embedding": embedding.tobytes() # Store vector as bytes
}
)
Creating an index for Hash-based vectors
# Code fragment - focus on Hash index
from redis.commands.search.field import TextField, NumericField, VectorField
from redis.commands.search.indexDefinition import IndexDefinition, IndexType
schema = (
TextField("name"),
NumericField("price"),
TextField("category"),
VectorField("embedding", "HNSW", {
"TYPE": "FLOAT32",
"DIM": 1536,
"DISTANCE_METRIC": "COSINE"
})
)
redis_client.ft("idx:products").create_index(
fields=schema,
definition=IndexDefinition(
prefix=["product:"],
index_type=IndexType.HASH
)
)
Using Redis JSON for vectors
IMPORTANTE
Redis JSON guarda los datos como JSON documents, permitiendo guardar información jerárquica con nested objects y arrays.
A diferencia de Hash que está flatted, JSON te permite estructurar datos complejos de forma natural. Esta flexibilidad viene con un overhead mayor de memoria y query time comparado con Hash.
/IMPORTANTE
Storing vectors in JSON
Al guardar vectors en JSON, conviertes tu NumPy array a Python list usando tolist()
# Code fragment - focus on JSON storage
import redis.commands.json as json_commands
document = {
"name": "Wireless Mouse",
"price": 29.99,
"category": "electronics",
"embedding": embedding.tolist(), # Convert to list for JSON
"specs": {
"color": "black",
"wireless": True,
"battery": "AA"
}
}
redis_client.json().set("product:12345", "$", document)
Creating an index for JSON-based vectors
hay una diferencia con $. para los field names y as_name param para query references
# Code fragment - focus on JSON index
from redis.commands.search.field import TextField, NumericField, VectorField
from redis.commands.search.indexDefinition import IndexDefinition, IndexType
schema = (
TextField("$.name", as_name="name"),
NumericField("$.price", as_name="price"),
TextField("$.category", as_name="category"),
VectorField("$.embedding", "HNSW", {
"TYPE": "FLOAT32",
"DIM": 1536,
"DISTANCE_METRIC": "COSINE"
}, as_name="embedding")
)
redis_client.ft("idx:products").create_index(
fields=schema,
definition=IndexDefinition(
prefix=["product:"],
index_type=IndexType.JSON
)
)