PseudoCLI：AI 驱动的智能命令手册

这是 Redis AI Challenge: Beyond the Cache 的参赛作品。

这是一个用 Go (Cobra) 构建的 CLI 工具，它利用 Redis Stack 进行向量存储，并使用 Gemini API（谷歌的 LLM）来进行嵌入和文本生成。

这个 CLI 工具展示了 Redis Stack 如何充当向量数据库，驱动一个智能问答系统 - 完全从终端运行。

与其说 Redis 只是一个缓存或 pub-sub 工具，我用它来存储高维嵌入，并使用向量相似度搜索（KNN+余弦相似度）检索语义相关的结果。

技术栈

Go (Cobra) - CLI 界面

Gemini API - 用于生成嵌入和 LLM 响应

Redis Stack 8.x - 作为向量存储，使用 FT.CREATE、HNSW 和 KNN 检索

Redis 作为向量存储

传统上，Redis 因其缓存能力而为人所知。我开始学习 Go 时也是从 Redis 缓存开始的。但在这个项目中，Redis Stack 被用于：

存储带有元数据的向量嵌入

输入文本的每个块都通过 Gemini 进行嵌入，并作为包含以下架构的文档存储：

这是我使用以下命令创建的基本架构：

FT.CREATE pesudo_index ON HASH PREFIX 1 doc: SCHEMA \
          command TEXT \
          os TEXT \
          text_chunk TEXT\
          embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 3072 \
          DISTANCE_METRIC COSINE

这在 Redis 中直接启用了语义搜索 - 无需单独的向量数据库。

通过向量搜索检索相关数据

当用户从命令行应用中运行以下命令时：

$ pesudocli ask "How to install packages on Arch?"

• 使用 Gemini 嵌入问题
• 使用 FT.SEARCH 和 KNN 3 执行 KNN 向量搜索
• 使用余弦相似度对结果进行排名
• 将前 3 个上下文块发送给 Gemini 聊天模型作为上下文

Redis 处理整个检索部分，无需延迟或外部系统。在测试中，向量搜索查询始终在约 150ms 内返回结果，展示了 Redis 即使在高维向量数据上也具有的实时能力。

⚙️ 幕后：向量搜索

这是我使用的 Redis 中的向量搜索查询示例：

FT.SEARCH pesudo_index "*=> [KNN 3 @embedding $vec]" \
     PARAMS 2 vec <binary_value_of_query>
     DIALECT 2

KNN 3：返回最接近的 3 个向量

COSINE：通常用于寻找两个向量之间距离的方法

DIALECT 2：Redis 中向量支持所需的

在底层，Redis 使用 HNSW（分层可导航小世界）算法，该算法减少了蛮力检查以降低延迟，并在高维空间中实现有效的近似最近邻搜索。

如何处理用户查询 🧠

由于这是一个 CLI，我在这里附加了示例 ask 命令的图像。

你可以从 github repo 下载并尝试该 CLI：PesudoCLI Release

我如何使用 Redis Stack

Redis Stack 对于在此 CLI 中启用向量搜索至关重要。以下是它如何融入流程的：

使用 Redis 8（通过 Redis Stack）存储从输入数据块创建的向量嵌入。

ingest 命令：

• 从 embed csv 文件中检索数据
• 使用 Gemini 生成嵌入
• 使用 RediSearch 将每个块及其对应的嵌入向量存储在 Redis 中，以及元数据

ask 命令：

• 使用 Gemini 将用户输入转换为向量
• 对 Redis 执行 KNN 向量相似度搜索
• 将前 3 个匹配的上下文发送给 Gemini 聊天模型以生成响应

向量嵌入和 KNN 搜索与余弦相似度加上 LLM 的组合使得构建智能 CLI 助手成为可能。

这将给出 CLI 代码的完整演练，并展示整个程序应如何运行。

# Step 1: set config 
$ pesudocli config --gemini-api-key <your-key>

# Step 2: Init the index 
$ pesudocli init 

# Step 3: Ingest data 
$ pesudocli ingest 

# Step 4 : Ask a question 
$pesudocli ask "Explain about podman?"

完成初始 3 个步骤后，我们可以使用 ask 命令提出任意数量的问题。

这个项目始于一个简单的想法：构建一个智能 CLI 助手。但在这个过程中，Redis Stack 被证明远不止是一个缓存 - 它成为了一个语义搜索引擎的核心。

通过结合向量嵌入、KNN 搜索与余弦相似度和 Gemini API，我能够构建一个快速、本地优先且完全基于终端的 AI 助手 - 无需单独的向量数据库或 LLM 后端。

关键亮点

• 实时向量摄取和搜索
• 元数据过滤和架构管理
• 即使使用高维（3072 维）向量也能实现无缝性能

总之，这个项目展示了 Redis Stack 如何解锁一类新的 AI 驱动应用 - 从你的终端。

感谢阅读 - 感谢 Redis 团队和 Dev.to 主办这次挑战！🚀

在 Github 上查看 PesudoCLI 项目以尝试或贡献。

封面图像由 Gemini 生成，其他图像由 napkin.ai 辅助生成，文本通过 AI 进行语法修正