01挑战
- 原有 Weaviate 方案难以支撑 6–7 亿商品目录的扩容需求,而业务目标是 20 亿向量。
- 查询延迟高、性能不稳定,频繁出现内存溢出与节点故障。
- 缺乏将 BM25 关键词检索与向量相似度结合的混合搜索能力。
- 架构复杂、成本高企,却仍无法满足性能要求。
02解决方案
- 采用 Redis 作为内存向量数据库,支持 BM25 与向量相似度结合的混合搜索,可处理 10–20 亿向量规模。
- 部署 480 个 Redis 分片,实现无缝水平扩展。
- 依托 Redis 的弹性能力保障系统稳定,同时简化整体搜索架构。
03业务成果
- 搜索速度显著提升,查询性能提高 12 倍,延迟降至亚毫秒级。
- 重负载下依然稳定,可靠性提升 50%。
- 获得高级混合搜索能力,并通过架构简化提升成本效率。
“我们不相信 Weaviate 一年后还能是可行的方案。”
案例内容整理自 Redis 官方客户案例研究,由锦木信息翻译编辑。
