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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00