Redis 8 VectorSet 源码解析：揭秘向量存储与HNSW相似检索的实现流程

你在搭建大模型应用时，是否也被海量向量数据的实时检索速度拖慢了节奏？传统向量数据库与Redis的集成方案，往往存在网络开销和性能损耗的痛点。而Redis 8推出的VectorSet特性，直接将向量检索能力内置到Redis内核中。本文将从源码层面，为你拆解其从向量存储到相似检索的全流程核心原理。

一、Redis VectorSet：内置向量能力的核心定位

Redis 8作为一次重要的版本更新，首次将向量存储与相似检索能力原生集成到内核。这彻底改变了以往依赖外部插件（如RedisAI）的方案。VectorSet的出现，意味着Redis不再仅仅是一个缓存数据库，而是可以直接支撑大模型时代的向量检索业务，无需引入额外的向量数据库，从而显著降低了技术栈的复杂度与运维成本。

二、核心流程源码拆解：从插入到检索

Redis VectorSet的核心操作流程分为向量插入和相似检索两大模块。下面我们通过分析源码片段，逐一解析每一步的实现细节。

2.1 向量插入流程：SADD命令的源码实现

当客户端执行 VECTOR.SADD key vector 命令时，Redis内核会执行一个完整的向量插入流程。其核心步骤可以概括为：

1. 查找或创建对应的VectorSet键。
2. 解析传入的向量数据，验证其格式与维度的合法性。
3. 分配内存以存储原始向量数据及索引元信息。
4. 将向量添加到HNSW索引结构中，完成索引构建。
5. 向客户端返回插入结果。

以下是简化后的Redis内核源码实现：

// Redis 8 VectorSet SADD命令核心处理逻辑
int vectorSetAddCommand(client *c) {
    // 1. 获取或创建VectorSet键，确保线程安全
    robj *set = lookupKeyWriteOrReply(c, c->argv[1], shared.nullbulk);
    if (set == NULL) return C_OK;
    // 2. 解析客户端传入的向量参数，验证格式与维度
    ssize_t vec_dim;
    float *vec_data = parseVectorArg(c->argv[2], &vec_dim);
    if (vec_data == NULL) {
        addReplyError(c, "ERR invalid vector format, must be float32 array");
        return C_ERR;
    }
    // 3. 分配向量存储节点内存，存储原始向量数据
    vector_node *node = zmalloc(sizeof(vector_node) + vec_dim * sizeof(float));
    node->dim = vec_dim;
    memcpy(node->data, vec_data, vec_dim * sizeof(float));
    // 4. 将向量插入到HNSW索引结构中
    hnsw_insert(set->ptr, node);
    zfree(vec_data);
    // 5. 返回插入成功的结果
    addReplyLongLong(c, 1);
    return C_OK;
}

关键代码解析:

• lookupKeyWriteOrReply 负责获取目标键，同时处理键不存在的场景。
• parseVectorArg 负责将客户端传入的二进制或字符串格式向量，转换为内存中的float数组。
• hnsw_insert 是HNSW索引的核心插入接口，负责构建高效的多层索引结构，这正是其源码分析价值的体现。

2.2 相似检索流程：SEARCH命令的源码实现

当执行 VECTOR.SEARCH key topk vector 命令时，Redis会启动相似性检索流程。其核心逻辑如下：

1. 加载目标VectorSet对应的HNSW索引实例。
2. 解析查询向量与topK检索参数。
3. 通过HNSW索引快速检索出top-K个相似向量。
4. 从存储层读取完整的向量数据并计算相似度。
5. 对结果排序后，封装并返回给客户端。

简化后的源码片段如下：

// Redis 8 VectorSet SEARCH命令核心处理逻辑
int vectorSetSearchCommand(client *c) {
    // 1. 获取目标VectorSet键
    robj *set = lookupKeyReadOrReply(c, c->argv[1], shared.nullbulk);
    if (set == NULL) return C_OK;
    // 2. 解析查询向量与topK参数
    ssize_t query_dim;
    float *query_vec = parseVectorArg(c->argv[3], &query_dim);
    int topk = atoi(c->argv[2]);
    if (query_vec == NULL || topk <=0) {
        addReplyError(c, "ERR invalid query parameters");
        return C_ERR;
    }
    // 3. 执行HNSW相似检索，获取topK结果
    vector_result *results = hnsw_search(set->ptr, query_vec, topk);
    // 4. 封装结果并返回客户端
    addReplyArrayLen(c, results->count);
    for (int i=0; i<results->count; i++) {
        addReplyDouble(c, results->scores[i]);
        addReplyString(c, results->nodes[i]->id, sizeof(results->nodes[i]->id));
    }
    zfree(results);
    zfree(query_vec);
    return C_OK;
}

三、HNSW索引在Redis内核中的实现细节

VectorSet之所以拥有高性能，关键在于其采用了层次化导航小世界网络（HNSW） 作为核心索引结构。这也是当前向量检索领域性能最优的方案之一。在Redis的实现中，HNSW索引被直接集成到Redis的对象系统里，每个VectorSet键都对应一个独立的HNSW索引实例，实现了键级别的隔离。

3.1 索引构建的核心优化

Redis的HNSW实现针对内存存储场景做了多重针对性优化：

• 内存预分配：在插入向量时，提前预留索引节点的内存空间，减少内存碎片的产生。
• 分层索引裁剪：仅在高层索引中保留少量核心节点，以此降低检索时的遍历开销。
• 线程安全设计：复用了Redis经典的单线程事件模型，从根本上避免了多线程环境下索引更新的锁竞争问题。

四、核心流程UML图解

为了更直观地展示VectorSet模块内部，以及其与客户端交互的完整流程，我们绘制了核心的UML时序图。

五、性能优势与实战场景

相比传统的独立向量数据库方案，Redis VectorSet的核心优势非常突出：

1. 零网络开销：向量数据直接存储在Redis内核中，检索过程无需跨网络传输向量，大幅降低了延迟。
2. 原生集成：可以直接复用Redis已有的持久化（RDB/AOF）、集群、哨兵等成熟的企业级能力，无需额外维护一套系统。
3. 低延迟检索：HNSW索引的O(logN)检索复杂度，结合Redis的内存存储特性，能够轻松实现亚毫秒级的检索速度。

基于这些优势，其常见的实战应用场景包括：

• 大模型应用中的实时语义检索（如智能问答、文档搜索）。
• 推荐系统中的用户画像相似性匹配。
• 图像或视频检索中的特征向量快速匹配。
• 实时风控系统中的异常行为向量检测。

总的来说，Redis 8的VectorSet特性为需要在应用层附近进行高速向量计算的场景提供了一个极具吸引力的选择。它将高性能向量检索与一个久经考验的数据基础设施无缝融合。如果你想了解更多深入的技术文档或与其他开发者交流实战心得，不妨来云栈社区看看，这里聚集了很多专注底层技术的同行。