Google Memorystore for Redis는 Redis 인메모리 데이터 스토어를 기반으로 하는 완전 관리형 서비스로, 밀리초 미만의 데이터 액세스를 제공하는 애플리케이션 캐시를 구축할 수 있습니다. Memorystore for Redis의 LangChain 통합을 활용하여 데이터베이스 애플리케이션을 확장하고 AI 기반 경험을 구축하세요.
이 노트북은 Memorystore for Redis를 사용하여 MemorystoreVectorStore 클래스로 벡터 임베딩을 저장하는 방법을 다룹니다. GitHub에서 패키지에 대해 자세히 알아보세요. Open In Colab

​
사전 요구사항

​
시작하기 전에

이 노트북을 실행하려면 다음을 수행해야 합니다:

​
🦜🔗 라이브러리 설치

이 통합은 자체 langchain-google-memorystore-redis 패키지에 있으므로 설치해야 합니다. 
pip install -upgrade --quiet langchain-google-memorystore-redis langchain
Colab 전용: 다음 셀의 주석을 해제하여 커널을 재시작하거나 버튼을 사용하여 커널을 재시작하세요. Vertex AI Workbench의 경우 상단의 버튼을 사용하여 터미널을 재시작할 수 있습니다. 
# # Automatically restart kernel after installs so that your environment can access the new packages
# import IPython

# app = IPython.Application.instance()
# app.kernel.do_shutdown(True)

​
☁ Google Cloud Project 설정

이 노트북 내에서 Google Cloud 리소스를 활용할 수 있도록 Google Cloud 프로젝트를 설정하세요. 프로젝트 ID를 모르는 경우 다음을 시도해보세요:
  • gcloud config list를 실행하세요.
  • gcloud projects list를 실행하세요.
  • 지원 페이지를 참조하세요: 프로젝트 ID 찾기.
# @markdown Please fill in the value below with your Google Cloud project ID and then run the cell.

PROJECT_ID = "my-project-id"  # @param {type:"string"}

# Set the project id
!gcloud config set project {PROJECT_ID}

​
🔐 인증

Google Cloud Project에 액세스하기 위해 이 노트북에 로그인한 IAM 사용자로 Google Cloud에 인증하세요.
  • Colab을 사용하여 이 노트북을 실행하는 경우 아래 셀을 사용하고 계속 진행하세요.
  • Vertex AI Workbench를 사용하는 경우 여기에서 설정 지침을 확인하세요.
from google.colab import auth

auth.authenticate_user()

​
기본 사용법

​
Vector Index 초기화

import redis
from langchain_google_memorystore_redis import (
    DistanceStrategy,
    HNSWConfig,
    RedisVectorStore,
)

# Connect to a Memorystore for Redis instance
redis_client = redis.from_url("redis://127.0.0.1:6379")

# Configure HNSW index with descriptive parameters
index_config = HNSWConfig(
    name="my_vector_index", distance_strategy=DistanceStrategy.COSINE, vector_size=128
)

# Initialize/create the vector store index
RedisVectorStore.init_index(client=redis_client, index_config=index_config)

​
문서 준비

텍스트는 벡터 스토어와 상호작용하기 전에 처리 및 수치 표현이 필요합니다. 여기에는 다음이 포함됩니다:
  • 텍스트 로딩: TextLoader는 파일(예: “state_of_the_union.txt”)에서 텍스트 데이터를 가져옵니다.
  • 텍스트 분할: CharacterTextSplitter는 임베딩 모델을 위해 텍스트를 더 작은 청크로 나눕니다.
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter

loader = TextLoader("./state_of_the_union.txt")
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

​
Vector Store에 문서 추가

텍스트 준비 및 임베딩 생성 후, 다음 메서드를 사용하여 Redis 벡터 스토어에 삽입합니다.

​
방법 1: 직접 삽입을 위한 Classmethod

이 접근 방식은 from_documents classmethod를 사용하여 임베딩 생성과 삽입을 단일 단계로 결합합니다: 
from langchain_community.embeddings.fake import FakeEmbeddings

embeddings = FakeEmbeddings(size=128)
redis_client = redis.from_url("redis://127.0.0.1:6379")
rvs = RedisVectorStore.from_documents(
    docs, embedding=embeddings, client=redis_client, index_name="my_vector_index"
)

​
방법 2: 인스턴스 기반 삽입

이 접근 방식은 새로운 또는 기존 RedisVectorStore로 작업할 때 유연성을 제공합니다:
  • [선택사항] RedisVectorStore 인스턴스 생성: 사용자 정의를 위해 RedisVectorStore 객체를 인스턴스화합니다. 이미 인스턴스가 있는 경우 다음 단계로 진행하세요.
  • 메타데이터와 함께 텍스트 추가: 인스턴스에 원시 텍스트와 메타데이터를 제공합니다. 임베딩 생성 및 벡터 스토어 삽입은 자동으로 처리됩니다.
rvs = RedisVectorStore(
    client=redis_client, index_name="my_vector_index", embeddings=embeddings
)
ids = rvs.add_texts(
    texts=[d.page_content for d in docs], metadatas=[d.metadata for d in docs]
)

​
유사도 검색 수행 (KNN)

벡터 스토어가 채워지면 쿼리와 의미적으로 유사한 텍스트를 검색할 수 있습니다. 기본 설정으로 KNN(K-Nearest Neighbors)을 사용하는 방법은 다음과 같습니다:
  • 쿼리 작성: 자연어 질문이 검색 의도를 표현합니다(예: “What did the president say about Ketanji Brown Jackson”).
  • 유사한 결과 검색: similarity_search 메서드는 의미상 쿼리에 가장 가까운 벡터 스토어의 항목을 찾습니다.
import pprint

query = "What did the president say about Ketanji Brown Jackson"
knn_results = rvs.similarity_search(query=query)
pprint.pprint(knn_results)

​
범위 기반 유사도 검색 수행

범위 쿼리는 쿼리 텍스트와 함께 원하는 유사도 임계값을 지정하여 더 많은 제어를 제공합니다:
  • 쿼리 작성: 자연어 질문이 검색 의도를 정의합니다.
  • 유사도 임계값 설정: distance_threshold 매개변수는 일치 항목이 관련성이 있다고 간주되기 위해 얼마나 가까워야 하는지 결정합니다.
  • 결과 검색: similarity_search_with_score 메서드는 지정된 유사도 임계값 내에 있는 벡터 스토어의 항목을 찾습니다.
rq_results = rvs.similarity_search_with_score(query=query, distance_threshold=0.8)
pprint.pprint(rq_results)

​
Maximal Marginal Relevance (MMR) 검색 수행

MMR 쿼리는 쿼리와 관련성이 있으면서 서로 다양한 결과를 찾아 검색 결과의 중복을 줄이는 것을 목표로 합니다.
  • 쿼리 작성: 자연어 질문이 검색 의도를 정의합니다.
  • 관련성과 다양성의 균형: lambda_mult 매개변수는 엄격한 관련성과 결과의 다양성 촉진 사이의 균형을 제어합니다.
  • MMR 결과 검색: max_marginal_relevance_search 메서드는 lambda 설정을 기반으로 관련성과 다양성의 조합을 최적화하는 항목을 반환합니다.
mmr_results = rvs.max_marginal_relevance_search(query=query, lambda_mult=0.90)
pprint.pprint(mmr_results)

​
Vector Store를 Retriever로 사용

다른 LangChain 컴포넌트와의 원활한 통합을 위해 벡터 스토어를 Retriever로 변환할 수 있습니다. 이는 여러 가지 장점을 제공합니다:
  • LangChain 호환성: 많은 LangChain 도구와 메서드는 retriever와 직접 상호작용하도록 설계되었습니다.
  • 사용 편의성: as_retriever() 메서드는 벡터 스토어를 쿼리를 단순화하는 형식으로 변환합니다.
retriever = rvs.as_retriever()
results = retriever.invoke(query)
pprint.pprint(results)

​
정리

​
Vector Store에서 문서 삭제

때때로 벡터 스토어에서 문서(및 관련 벡터)를 제거해야 할 필요가 있습니다. delete 메서드가 이 기능을 제공합니다. 
rvs.delete(ids)

​
Vector Index 삭제

기존 벡터 인덱스를 삭제해야 하는 상황이 있을 수 있습니다. 일반적인 이유는 다음과 같습니다:
  • 인덱스 구성 변경: 인덱스 매개변수를 수정해야 하는 경우 인덱스를 삭제하고 다시 생성해야 하는 경우가 많습니다.
  • 스토리지 관리: 사용하지 않는 인덱스를 제거하면 Redis 인스턴스 내의 공간을 확보하는 데 도움이 될 수 있습니다.
주의: 벡터 인덱스 삭제는 되돌릴 수 없는 작업입니다. 계속 진행하기 전에 저장된 벡터와 검색 기능이 더 이상 필요하지 않은지 확인하세요. 
# Delete the vector index
RedisVectorStore.drop_index(client=redis_client, index_name="my_vector_index")
Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.
⌘I