valkey-bloom 与 valkey-json
用 valkey-bloom 做去重与去环，用 valkey-json 做 Agent 状态与 RAG 文档。
除了向量检索，Valkey 还有两个对 AI 工作流很实用的官方模块：valkey-bloom（布隆过滤器）和 valkey-json（原生 JSON 类型）。两者都在 2025 年 4 月 1 日发布 1.0.0 GA，需要 Valkey 8.0+，并随 valkey-bundle 一起分发。
valkey-bloom
官方 Rust 模块，提供原生布隆过滤器类型，命令与 RedisBloom 的 BF.* 兼容。
只有布隆过滤器。 不支持 Cuckoo（CF.*）、Count-Min Sketch（CMS）、TopK、t-digest。
命令一览
| 命令 | 作用 |
|---|---|
BF.ADD / BF.MADD | 添加一个 / 多个元素 |
BF.EXISTS / BF.MEXISTS | 查询一个 / 多个元素是否可能存在 |
BF.CARD | 已添加元素的近似数量 |
BF.RESERVE key error_rate capacity [NONSCALING] [EXPANSION n] | 预创建过滤器并指定误判率与容量 |
BF.INSERT | 创建并批量插入 |
BF.INFO | 查看过滤器元信息 |
AI 场景：去重与去环
最典型的两个用法：
- RAG 摄取 / 爬虫去重：在抓取并 embedding 之前，先
BF.EXISTS url，如果已见过就跳过，省下重复的 embedding 成本。 - Agent 去环：用「是否见过这个状态」阻止 Agent 陷入循环。
import valkey
r = valkey.Valkey()
# 预创建：误判率 1%，容量 100 万
r.execute_command("BF.RESERVE", "seen:urls", "0.01", "1000000")
def should_fetch(url: str) -> bool:
if r.execute_command("BF.EXISTS", "seen:urls", url):
return False # 可能已见过，跳过 fetch + embed
r.execute_command("BF.ADD", "seen:urls", url)
return True取舍
| 特性 | 说明 |
|---|---|
| 假阳性 | 可能发生（说「见过」但其实没见过） |
| 假阴性 | 永不发生（说「没见过」就一定没见过） |
| 删除 | 不支持 |
| 内存 | 比等价的 Set 节省 93%～98% |
布隆过滤器换内存的代价是「偶尔误判已存在」。对去重场景，最坏结果是漏处理极少量新元素，通常完全可接受。
valkey-json
官方 C++/RapidJSON 模块，提供原生 JSON 类型，与 RedisJSON 兼容（RDB 与 RedisJSON 1.0.8+ 兼容）。支持增强版 JSONPath：$、$..、[*]、切片，以及过滤器 [?(@.price < 10)]。
命令一览
| 命令 | 作用 |
|---|---|
JSON.SET / JSON.GET | 写入 / 读取（按 JSONPath） |
JSON.NUMINCRBY | 原子地给数值字段加值 |
JSON.ARRAPPEND | 往数组字段追加元素 |
JSON.DEL | 删除某个路径 |
AI 场景：Agent 草稿板
把 Agent 的状态放在一个 JSON 文档里，对字段做原子更新——JSON.NUMINCRBY 累加轮次计数，JSON.ARRAPPEND 追加工具调用日志：
import json
r.execute_command("JSON.SET", "agent:run:42", "$", json.dumps({
"turn": 0,
"tool_calls": [],
"status": "running",
}))
# 每一轮：轮次 +1，记录一次工具调用
r.execute_command("JSON.NUMINCRBY", "agent:run:42", "$.turn", "1")
r.execute_command("JSON.ARRAPPEND", "agent:run:42", "$.tool_calls",
json.dumps({"name": "search", "args": "valkey"}))AI 场景：RAG 文档
把 chunk 文本、元数据和向量放在一个 JSON 键里，一处读取、原子更新：
r.execute_command("JSON.SET", "doc:1", "$", json.dumps({
"text": "Valkey 是 BSD-3 协议的内存数据库……",
"metadata": {"source": "docs", "lang": "zh"},
"embedding": "[0.1,0.2,0.3]", # 注意：JSON 里向量是字符串
}))在 JSON 上叠加向量检索
valkey-search 可以直接索引 JSON 键。用 ON JSON 配合 JSONPath 别名建索引：
FT.CREATE ragIndex ON JSON
SCHEMA
$.embedding AS embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 3 DISTANCE_METRIC COSINE
$.metadata.lang AS lang TAGJSON 里的向量必须是「带方括号的 JSON 字符串」，不能是原生数组。详见 valkey-search 的 JSON 索引一节。
这样一个 JSON 文档同时承载了 RAG 的文本、元数据和可检索向量。