Crea esperienze migliori che crescono con te, con un caching accessibile e potente a livello enterprise, sviluppato dai dev di Redis open source.
res11 = r.json().set("newbike", "$", ["Deimos", {"crashes": 0}, None])
print(res11) # >>> True
res12 = r.json().get("newbike", "$")
print(res12) # >>> ['["Deimos", { "crashes": 0 }, null]']
res13 = r.json().get("newbike", "$[1].crashes")
print(res13) # >>> ['0']
res14 = r.json().delete("newbike", "$.[-1]")
print(res14) # >>> [1]
res15 = r.json().get("newbike", "$")
print(res15) # >>> [['Deimos', {'crashes': 0}]]I migliori risultati sono proprio quelli che cercavi. Rendi la tua app AI più veloce e smart con la ricerca semp
lificata dei documenti, sistemi di raccomandazione, caching semantico e Retrieval Augmented Generation (RAG).
# Create a vector index using the HNSW algorithm, 768 dimension length, and inner product distance metric
> FT.CREATE idx-videos ON HASH PREFIX 1 video: SCHEMA content_vector VECTOR HNSW 6 TYPE FLOAT32 DIM 768 DISTANCE_METRIC IP content TEXT metadata TEXT
# Add a video vector with metadata
> HSET video:0 content_vector "\xa4q\t=\xc1\xdes\xbdZ$<\xbd\xd5\xc1\x99<b\xf0\xf2<x[...\xf8<" content "SUMMARY:\nThe video discusses the limitations of MySQL at scale and introduces Redis Enterprise" metadata "{\"id\":\"FQzlq91g7mg\",\"link\":\"https://www.youtube.com/watch?v=FQzlq91g7mg\",\"title\":\"Redis + MySQL in 60 Seconds\"}"
(integer) 3
# Search for videos using a similar vector and the K-nearest neighbors algorithm
> FT.SEARCH idx-videos "* => [KNN 3 @content_vector $vector AS vector_score]" RETURN 3 metadata content vector_score SORTBY vector_score LIMIT 0 3 PARAMS 2 vector "\b[\xb7;\x81\x12\x9c\xbc\xc6!...\xfe<" DIALECT 2Usa Redis come database NoSQL per creare app veloci e affidabili, dovel’uptime “five-9s” (99.999%)è la norma.
# Create an index. In this example, all JSON documents with the key prefix 'user:' will be indexed.
rs = r.ft("idx:users")
rs.create_index(
schema,
definition=IndexDefinition(
prefix=["user:"], index_type=IndexType.JSON
)
)
# Use JSON.SET to set each user value at the specified path.
r.json().set("user:1", Path.root_path(), user1)
r.json().set("user:2", Path.root_path(), user2)
r.json().set("user:3", Path.root_path(), user3)
# Find the user Paul and filter the results by age.
res = rs.search(
Query("Paul @age:[30 40]")
)
# Result:
# {1 total, docs: [Document {'id': 'user:3', 'payload': None, 'json': '{"name":"Paul Zamir","email":"paul.zamir@example.com","age":35,"city":"Tel Aviv"}'}]}
# b'OK'
res11 = r.json().set("newbike", "$", ["Deimos", {"crashes": 0}, None])
print(res11) # >>> True
res12 = r.json().get("newbike", "$")
print(res12) # >>> ['["Deimos", { "crashes": 0 }, null]']
res13 = r.json().get("newbike", "$[1].crashes")
print(res13) # >>> ['0']
res14 = r.json().delete("newbike", "$.[-1]")
print(res14) # >>> [1]
res15 = r.json().get("newbike", "$")
print(res15) # >>> [['Deimos', {'crashes': 0}]]
Flowdesk implementa Redis per l’analisi in tempo reale, ottenendo query 10 volte più veloci e una riduzione del 50% dei costi dell’infrastruttura.
Docugami utilizza Redis per archiviare, cercare e aggiornare gli embedding vettoriali su larga scala.
Ekata usa Auto Tiering, che richiede il 70% in meno del costoso spazio di archiviazione DRAM di cui necessitavano prima di Redis.
Redis aiuta Niantic a ridurre l’overhead, bilanciare il carico del server e offrire un’esperienza di gioco migliore.
Ulta implementa Redis per migliorare l’esperienza del cliente, ottenendo una riduzione del 50% dei tempi di risposta e scalando per gestire più di 300.000 transazioni al secondo.
iFood migliora performance e scalabilità con Redis, riducendo del 50%la latenza e triplicando il throughput della sua piattaforma di food delivery.
