​ Redis你通常用来做什么？缓存？分布式锁？数据过滤器？不够不够，这远远不够。之前给大家分享过基于Redis Stack提供的一系列插件，完全可以把Redis作为一个类似于Elastic Search的JSON数据库使用。不光可以存储并操作JSON格式的数据，而且可以实现各种复杂的检索。

​ 而现在到了大模型时代，Redis又有了一个更加重要的用途： 向量数据库。基于向量数据库，可以实现一系列更贴近自然语言的检索功能。这也成了AI大模型应用落地的基石。

一、大模型如何理解“语言”

​ AI大模型最为颠覆性的影响在于他的输入和输出都是人类的自然语言。大模型学习的是基于自然语言整理的预料，你向大模型问问题，也是直接用自然语言提问。感觉一切都非常自然，你有没有想过，这种自然背后，我们到底是怎么和计算机交互的呢？

​ 大家都知道，计算机本质上，只能进行0和1的二进制计算。所以，计算机要想和人进行自然语言的交互，就必须要把自然语言转换成计算机能理解的二进制语言。而这一切的基础，就是 词向量。
​ 你可能经常听说过词向量这个概念，因为他是现在火爆的这些AI大模型产品的及时。但是，词向量到底是什么呢？一堆数字到底怎么表达自然语言当中那些千奇百怪的表达呢？先通过一个例子带你来看下什么是词向量。

下面案例使用LangChain4j框架，调用通义千问的API实现。

​ 从上面的例子可以看出，阿里的通义千问大模型，是用一个1024维度的向量来表示一句话。但是，这个向量和原始语句要表达的意思有什么关系呢？我们接下来看。

import com.roy.ModelUtil;
import dev.langchain4j.data.embedding.Embedding;
import dev.langchain4j.model.dashscope.QwenEmbeddingModel;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.openai.OpenAiEmbeddingModel;
import dev.langchain4j.model.output.Response;
import dev.langchain4j.model.zhipu.ZhipuAiEmbeddingModel;
import dev.langchain4j.store.embedding.redis.RedisEmbeddingStore;
import org.apache.commons.math3.linear.ArrayRealVector;
import org.apache.commons.math3.linear.RealVector;

import java.util.Arrays;

/**
 * Author： roy
 * Description：
 **/
public class VectorCheckDemo {
   

    public static void main(String[] args) {
   
        EmbeddingModel embeddingModel = QwenEmbeddingModel.builder()
                .apiKey(ModelUtil.API_KEY_TONGYI)
                .modelName("text-embedding-v3")
                .build();
        String q1 = "你好，我是楼兰";
        String q2 = "我的名字叫楼兰"