RediSearch 2.10.18版本发布:关键修复与性能优化
RediSearch项目简介
RediSearch是Redis的一个高性能全文搜索和二级索引模块,它为Redis数据库提供了强大的搜索能力。作为一个专门为Redis设计的搜索引擎,RediSearch支持全文检索、复杂查询、聚合操作等功能,同时保持了Redis的高性能和低延迟特性。它广泛应用于需要实时搜索功能的场景,如电子商务、内容管理系统、日志分析等领域。
关键修复
1. 多向量索引RDB重载修复
在2.10.18版本中,修复了一个可能导致集群崩溃的关键问题。当从RDB文件重建多个向量索引时,集群健康检查机制可能会引发崩溃。这个问题特别影响那些在Redis集群环境中使用多个向量索引功能的用户。向量索引是RediSearch中用于支持向量相似度搜索的重要功能,广泛应用于推荐系统、图像搜索等场景。
2. 游标删除操作线程安全修复
修复了在使用FT.CURSOR...DEL命令删除游标时,如果另一个线程正在读取该游标可能导致崩溃的问题。游标是RediSearch中用于处理大型结果集的重要机制,这个修复确保了在高并发环境下游标操作的线程安全性。
3. 文本索引评分异常修复
解决了当索引包含TEXT字段但文档中实际没有对应文本内容时,可能导致评分计算出现inf或nan异常值的问题。评分是搜索相关性排序的基础,这个修复确保了评分系统的稳定性和准确性。
4. Active-Active环境下的过期键处理优化
在Active-Active(双活)部署环境中,修复了后台索引过程中惰性过期可能导致键错误过期的问题。这对于需要高可用性和数据一致性的企业级应用尤为重要。
5. 超时处理策略改进
优化了ON_TIMEOUT RETURN策略的行为,现在当查询超时时,系统会返回已收集的部分结果,而不是简单地返回超时错误。这种"尽力而为"的方式提高了用户体验,特别是在处理复杂查询时。
性能优化
1. 查询解析器改进
对包含括号和子查询的交集查询进行了优化,现在这些查询的执行顺序不会影响全文搜索的评分结果。这使得复杂查询的行为更加可预测,特别是对于那些使用高级查询语法的用户。
2. 键空间访问优化
当使用LOAD...@__key语法时,RediSearch现在会避免不必要的Redis键空间访问。这一优化减少了网络开销和延迟,特别是在分布式环境中可以带来明显的性能提升。
升级建议
由于本次发布包含多个关键修复,特别是涉及集群稳定性和线程安全的修复,建议所有使用RediSearch 2.10.x版本的用户尽快升级到2.10.18版本。对于生产环境,建议先在测试环境中验证兼容性后再进行升级。
对于使用向量索引功能或在Active-Active环境中部署RediSearch的用户,这次升级尤为重要,因为它解决了可能导致数据不一致或服务中断的关键问题。
总结
RediSearch 2.10.18版本虽然是一个维护性更新,但包含了多个对系统稳定性和性能有重要影响的修复和改进。这些变化体现了RediSearch团队对产品质量的持续关注,特别是在高并发、分布式环境下的可靠性方面。随着搜索功能在现代应用中的重要性不断提升,RediSearch的这些改进将帮助开发者构建更加稳定、高效的搜索解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07