Um die Rolle von Redis zu verstehen, hilft ein kurzer Blick auf die Grundlagen. Moderne KI-Suche arbeitet mit Embeddings: Ein Modell übersetzt Texte, Bilder oder andere Inhalte in lange Zahlenreihen. Inhaltlich ähnliche Inhalte liegen im Vektorraum nah beieinander. Die Frage „Wie setze ich mein Passwort im Kundenportal zurück?“ findet so die passende Hilfeseite, auch wenn dort von „Zugangsdaten erneuern“ die Rede ist. Die Suche nach den nächsten Nachbarn eines Anfragevektors ist der Kern jeder semantischen Suche und jeder RAG-Architektur. Eine Vektordatenbank hält diese Vektoren vor und beantwortet solche Nachbarschaftsanfragen effizient.
Redis war ursprünglich etwas ganz anderes: ein extrem schneller Schlüssel-Wert-Speicher, der seine Daten im Arbeitsspeicher hält und deshalb Lese- und Schreibzugriffe in Bruchteilen einer Millisekunde beantworten kann. In unzähligen Webanwendungen puffert Redis Datenbankabfragen, speichert Sitzungen, zählt Zugriffe, verteilt Nachrichten oder verwaltet Warteschlangen. Diese Verbreitung ist der Schlüssel zum Verständnis von Redis Vector Search: Viele Unternehmen betreiben Redis längst, und die Vektorsuche wird zu einer zusätzlichen Fähigkeit eines Systems, das ohnehin im Rechenzentrum oder in der Cloud läuft.
Die Such- und Indexfunktionen von Redis haben eine bewegte Geschichte. Sie entstanden als eigenständiges Modul namens RediSearch, das Redis um Volltextsuche, sekundäre Indizes und Aggregationen erweiterte. Später kam die Vektorsuche als neuer Feldtyp hinzu. Zusammen mit weiteren Modulen – etwa für JSON-Dokumente, Zeitreihen und probabilistische Datenstrukturen – wurde das Paket als Redis Stack vertrieben, einer Distribution, die Entwicklern alle Erweiterungen in einem Container oder Paket bereitstellte.
Mit späteren Hauptversionen hat der Hersteller diese Funktionen schrittweise in die Kerndistribution von Redis integriert. Die Suchfunktionen firmieren heute unter dem Namen Redis Query Engine; Vektorsuche, JSON und weitere Datentypen sind Bestandteil der Standarddistribution, statt als separates Modul nachinstalliert zu werden. Redis Stack als eigenständiges Bündel verliert dadurch an Bedeutung, taucht aber in vielen Tutorials, Container-Images und Bestandsinstallationen weiterhin auf. Für die Praxis bedeutet das: Wer heute ein aktuelles Redis einsetzt, bekommt die Vektorsuche in der Regel mit. Welche Funktionen genau in welcher Version und Distribution enthalten sind, sollte immer anhand der offiziellen Dokumentation und der Versionshinweise geprüft werden, da sich Benennung und Paketierung in den letzten Jahren mehrfach geändert haben.
Parallel dazu hat der Hersteller einen weiteren, experimentelleren Ansatz vorgestellt: einen eigenen Datentyp für Vektormengen, der Ähnlichkeitssuche direkt als native Redis-Datenstruktur abbildet – ohne den Umweg über Indizes der Query Engine. Dieser Ansatz richtet sich an Anwendungsfälle, die schlanke, sehr schnelle Nachbarsuche ohne komplexe Filter benötigen. Reifegrad und Funktionsumfang sollten vor einem produktiven Einsatz beim Anbieter geprüft werden; in diesem Artikel steht die etablierte Query Engine im Vordergrund.
In einer RAG-Architektur kann Redis zwei verschiedene Rollen übernehmen – oder beide zugleich. In der ersten Rolle ist Redis der Vektorspeicher: Dokumente werden in Abschnitte zerlegt, vektorisiert und als Hash oder JSON-Dokument mit Text, Quelle, Datum, Kategorie und Berechtigungsgruppe abgelegt. Eine Anfrage wird ebenfalls vektorisiert, die Query Engine liefert die ähnlichsten Abschnitte unter Berücksichtigung der Filter, und ein Sprachmodell formuliert daraus die Antwort.
In der zweiten Rolle ist Redis die Beschleunigungs- und Gedächtnisschicht rund um das Sprachmodell. Hier speichert Redis bereits beantwortete Fragen samt Antworten als semantischen Cache, hält Gesprächsverläufe von Chatbots und Agenten vor, verwaltet Sitzungszustände und leitet Anfragen per semantischem Routing an den passenden Verarbeitungspfad. Gerade diese zweite Rolle ist eine Besonderheit von Redis: Kaum ein anderes System verbindet Vektorsuche so selbstverständlich mit klassischen Cache-Funktionen wie Ablaufzeiten, atomaren Zählern und Nachrichtenverteilung. In vielen Architekturen, die wir sehen, liegt das Hauptwissen in einer anderen Vektordatenbank oder in PostgreSQL, während Redis als schnelle Schicht davor arbeitet.
Redis Open Source ist der Ausgangspunkt für die meisten Entwicklungsteams. Ein Container genügt, um Vektorsuche lokal auszuprobieren, und für viele produktive Szenarien mit einer einzelnen Instanz plus Replikat reicht diese Variante aus. Hochverfügbarkeit lässt sich über Replikation und Sentinel oder über Kubernetes-Operatoren abbilden. Einschränkungen zeigen sich typischerweise dort, wo Vektorindizes über viele Knoten eines Clusters verteilt werden sollen: Die Suchfunktionen der Query Engine sind in der Open-Source-Variante historisch auf einzelne Instanzen ausgerichtet gewesen, während verteilte Suche über Shards eher eine Stärke der kommerziellen Varianten war. Wie sich das in der aktuellen Version darstellt, sollte vor der Architekturentscheidung in der Dokumentation geprüft werden.
Redis Software, früher unter dem Namen Redis Enterprise bekannt, richtet sich an Unternehmen, die Redis im eigenen Rechenzentrum oder in einer privaten Cloud mit Unternehmensfunktionen betreiben wollen. Dazu gehören verteiltes Clustering mit automatischem Resharding, Hochverfügbarkeit über Rechenzentrumsgrenzen hinweg, Aktiv-Aktiv-Replikation, rollenbasierte Zugriffskontrolle, ein Verwaltungsportal und Herstellersupport. Für Vektorsuche besonders relevant ist die Möglichkeit, Teile der Daten auf schnelle SSDs auszulagern und nur häufig genutzte Daten im Arbeitsspeicher zu halten. Wie gut das mit Vektorindizes zusammenspielt, hängt von Version und Konfiguration ab und sollte im eigenen Szenario getestet werden.
Redis Cloud ist der gemanagte Dienst des Herstellers. Er läuft auf der Infrastruktur großer Hyperscaler und erlaubt die Wahl von Cloud-Anbieter und Region – darunter auch Standorte in der Europäischen Union. Es gibt einfache Einstiegstarife für Entwicklung und Prototypen sowie Unternehmenstarife mit dedizierter Infrastruktur, privaten Netzwerkanbindungen und erweiterten Sicherheitsfunktionen. Für Teams ohne eigenes Redis-Know-how ist das der schnellste Weg zu einer produktiven Vektorsuche; die Datenschutzfragen, die sich daraus ergeben, behandeln wir in Kapitel 09.
Neben dem Hersteller bieten auch die großen Cloud-Anbieter Redis-kompatible Dienste an. Microsoft vertreibt gemeinsam mit dem Hersteller einen gemanagten Redis-Dienst in Azure, dessen höhere Stufen die Suchfunktionen und damit Vektorsuche enthalten. AWS und Google haben eigene Redis-kompatible Dienste, die zum Teil auf dem Fork Valkey basieren und eigene Implementierungen der Vektorsuche mitbringen. Wichtig ist hier: Kompatibel heißt nicht identisch. Befehle, Indexoptionen, Filtermöglichkeiten und Grenzwerte können sich unterscheiden. Wer eine Anwendung später zwischen Anbietern verschieben möchte, sollte die verwendeten Funktionen bewusst auf die gemeinsame Schnittmenge beschränken oder Tests auf allen Zielplattformen einplanen.
Ein Thema, das in keiner Redis-Bewertung fehlen darf, ist die Lizenzlage. Redis war lange unter einer sehr freizügigen Open-Source-Lizenz verfügbar. Der Hersteller hat die Lizenzierung in den vergangenen Jahren mehrfach angepasst: Zunächst wurden quelloffene, aber nicht von der Open-Source-Initiative anerkannte Lizenzen eingeführt, die vor allem Cloud-Anbieter am Weiterverkauf als Dienst hindern sollten. Daraufhin entstand unter dem Dach der Linux Foundation der Community-Fork Valkey, der von mehreren großen Technologieunternehmen unterstützt wird. Später hat der Hersteller zusätzlich eine von der Open-Source-Initiative anerkannte Copyleft-Lizenz als Option ergänzt. Für Unternehmen, die Redis intern einsetzen, ändert sich durch diese Lizenzen im Alltag oft wenig. Relevant wird die Frage, wenn Redis als Teil eines eigenen Produkts weitergegeben oder als Dienst für Dritte angeboten wird. Den aktuellen Stand der Lizenzen sollten Sie unbedingt beim Anbieter und gegebenenfalls mit Ihrer Rechtsabteilung prüfen.
Redis speichert Daten unter Schlüsseln. Für die Vektorsuche kommen zwei Datentypen infrage. Ein Hash ist eine flache Sammlung von Feldern und Werten – etwa Titel, Text, Kategorie und ein Vektor als binäre Zeichenkette. Ein JSON-Dokument erlaubt verschachtelte Strukturen, Listen und mehrere Vektoren pro Dokument, ist dafür etwas speicherintensiver. Hashes sind kompakter und für einfache Abschnittsstrukturen oft die effizientere Wahl; JSON spielt seine Stärke aus, wenn Dokumente mit reichhaltigen Metadaten oder mehreren Embeddings abgebildet werden sollen.
Über diese Daten legt man einen Index. Die Indexdefinition legt fest, welche Schlüssel erfasst werden – typischerweise über ein gemeinsames Präfix wie „doc:“ – und welche Felder wie indexiert werden. Neben dem Vektorfeld können Textfelder für die Volltextsuche, Tag-Felder für exakte Kategorien, numerische Felder für Bereiche wie Datum oder Preis und Geofelder für räumliche Abfragen definiert werden. Sobald der Index existiert, werden neue oder geänderte Schlüssel mit passendem Präfix automatisch indexiert. Es gibt also keinen separaten Ladevorgang: Wer einen Hash schreibt, macht ihn damit suchbar. Das passt sehr gut zu Echtzeitszenarien, in denen Daten laufend hinzukommen.
Für das Vektorfeld werden beim Anlegen des Index der Datentyp der Komponenten, die Dimension und die Distanzmetrik festgelegt. Neben einfacher Gleitkommagenauigkeit unterstützen neuere Versionen auch kompaktere Formate mit halber Genauigkeit, die den Speicherbedarf deutlich senken. Als Metriken stehen die euklidische Distanz, das Skalarprodukt und die Kosinus-Ähnlichkeit zur Verfügung. Welche Metrik passt, gibt das Embedding-Modell vor. Die Dimension muss exakt zum Modell passen; ein späterer Modellwechsel erfordert einen neuen Index und eine Neuberechnung der Vektoren. Konkrete Grenzwerte und unterstützte Datentypen variieren mit der Version und sind in der Dokumentation nachzulesen.
Die Query Engine bietet mehrere Indexverfahren für Vektorfelder. Der FLAT-Index führt eine exakte Suche durch: Jeder Vektor wird mit dem Anfragevektor verglichen. Das liefert garantiert korrekte Ergebnisse und ist bei kleineren Beständen – etwa einigen Zehntausend Vektoren – dank In-Memory-Verarbeitung erstaunlich schnell. Für semantische Caches mit begrenzter Größe oder kleine, hochpräzise Wissensbestände ist FLAT oft die einfachste und beste Wahl.
Für größere Bestände kommt HNSW (Hierarchical Navigable Small World) zum Einsatz, ein graphbasiertes Verfahren für die näherungsweise Nachbarsuche. HNSW liefert ein sehr gutes Verhältnis aus Geschwindigkeit und Trefferqualität und verkraftet laufende Einfügungen gut. Über Parameter wie die Zahl der Verbindungen pro Knoten, die Suchbreite beim Aufbau und die Suchbreite bei der Abfrage lässt sich zwischen Genauigkeit, Latenz und Speicherbedarf abwägen. Der Preis ist ein zusätzlicher Speicherbedarf für den Graphen, der – wie alles in Redis – im Arbeitsspeicher liegt.
Neuere Redis-Versionen ergänzen weitere Indexverfahren aus der Familie der graphbasierten, kompressionsfreundlichen Algorithmen, die mit quantisierten Vektoren arbeiten und so den Speicherbedarf großer Bestände reduzieren sollen. Solche Verfahren sind für Szenarien interessant, in denen der Arbeitsspeicher zum limitierenden Faktor wird. Verfügbarkeit, Reifegrad und Plattformvoraussetzungen sollten beim Anbieter geprüft und mit eigenen Daten getestet werden, bevor man sich darauf verlässt.
Die Suche erfolgt über die Abfragesprache der Query Engine. Eine KNN-Abfrage liefert die k ähnlichsten Vektoren zum Anfragevektor, sortiert nach Distanz. Eine Bereichsabfrage liefert dagegen alle Vektoren, deren Distanz unter einem Schwellenwert liegt – ein Muster, das insbesondere beim semantischen Caching gebraucht wird, wo nur hinreichend ähnliche Fragen als Treffer gelten sollen. Die eigentliche Stärke liegt in der Kombination: Ein Vektorausdruck lässt sich mit Filtern auf Tag-, Zahlen-, Text- und Geofeldern verknüpfen. So sucht man beispielsweise die ähnlichsten Abschnitte nur in Dokumenten der Kategorie „Wartung“, mit Gültigkeitsdatum nach einem bestimmten Stichtag und für einen bestimmten Mandanten.
Redis wendet die Filter dabei in der Regel vor oder während der Vektorsuche an und wählt je nach Selektivität des Filters eine passende Strategie. Bei sehr restriktiven Filtern kann eine exakte Suche über die gefilterte Teilmenge sinnvoller sein als die Navigation durch den gesamten HNSW-Graphen. Diese Logik ist für Anwender weitgehend transparent, sollte aber bei der Performance-Bewertung berücksichtigt werden. Ergänzend bieten Aggregationsabfragen die Möglichkeit, Treffer zu gruppieren, zu sortieren, Werte zu berechnen oder Ergebnisse pro Dokument zusammenzufassen – nützlich, um zu verhindern, dass mehrere Abschnitte desselben Handbuchs die Trefferliste dominieren.
Sprachmodelle sind langsam und kosten pro Aufruf Geld. Gleichzeitig wiederholen sich in vielen Anwendungen die Fragen: Im Kundenservice fragen Hunderte Menschen sinngemäß dasselbe, im internen Wissensassistenten tauchen die gleichen Themen immer wieder auf. Ein klassischer Cache hilft hier wenig, weil kaum eine Frage wortgleich wiederkommt. Der semantische Cache löst dieses Problem: Jede beantwortete Frage wird vektorisiert und zusammen mit der Antwort gespeichert. Kommt eine neue Frage, prüft eine Bereichsabfrage, ob eine hinreichend ähnliche Frage bereits beantwortet wurde. Ist das der Fall, liefert Redis die gespeicherte Antwort in Millisekunden zurück – ohne erneuten Modellaufruf.
Der Nutzen ist doppelt: Die Antwortzeit sinkt drastisch, und die Kosten für Modellaufrufe gehen zurück. Wie groß der Effekt ist, hängt stark vom Anwendungsfall ab, insbesondere davon, wie häufig sich Fragen wiederholen. Entscheidend für die Qualität ist der Schwellenwert, ab dem zwei Fragen als gleichwertig gelten. Ist er zu großzügig, bekommen Nutzer Antworten auf Fragen, die sie nicht gestellt haben – „Wie kündige ich meinen Vertrag?“ und „Wie verlängere ich meinen Vertrag?“ liegen im Vektorraum unter Umständen gefährlich nah beieinander. Ist er zu streng, greift der Cache kaum. Bewährt haben sich zusätzliche Filter, etwa nach Sprache, Produkt oder Nutzerrolle, Ablaufzeiten für Einträge, damit veraltete Antworten verschwinden, und eine Auswertung, welche Cache-Treffer von Nutzern positiv bewertet wurden. Personalisierte oder vertrauliche Antworten gehören grundsätzlich nicht in einen gemeinsam genutzten Cache, oder nur strikt nach Nutzer beziehungsweise Berechtigungsgruppe getrennt.
Der Hersteller bietet für dieses Muster sowohl Bibliotheksfunktionen als auch einen eigenen gemanagten Dienst für semantisches Caching an, der Embedding-Erzeugung und Cache-Logik bündelt. Für Unternehmen mit hohen Souveränitätsanforderungen ist meist die Variante mit selbst betriebenem Redis und eigenem Embedding-Modell vorzuziehen; Funktionsumfang und Datenverarbeitung des gemanagten Dienstes sind vor einem Einsatz beim Anbieter zu prüfen.
KI-Agenten brauchen ein Kurzzeitgedächtnis für den laufenden Dialog und ein Langzeitgedächtnis für Präferenzen, frühere Ergebnisse und gelernte Fakten. Redis eignet sich für beides. Gesprächsverläufe werden als Listen oder Streams pro Sitzung gespeichert und mit Ablaufzeiten versehen. Für das Langzeitgedächtnis werden relevante Informationen vektorisiert, sodass der Agent später nach Bedeutung statt nach Schlüssel darauf zugreifen kann – etwa „Welche Lieferpräferenzen hat dieser Kunde früher geäußert?“. Agenten-Frameworks nutzen Redis zudem häufig als Speicher für Checkpoints, also Zwischenzustände mehrstufiger Abläufe, die nach einer Unterbrechung fortgesetzt werden können.
Ein weiteres Muster ist das semantische Routing. Dabei werden Beispielanfragen für verschiedene Kategorien – Rechnungsfragen, technische Störungen, Vertragsänderungen, Smalltalk – als Vektoren hinterlegt. Eine neue Anfrage wird mit diesen Referenzen verglichen und an den passenden Pfad weitergeleitet: an ein spezialisiertes RAG-System, an ein kleineres und günstigeres Modell, an einen menschlichen Mitarbeiter oder an eine Ablehnung, wenn das Thema außerhalb des erlaubten Rahmens liegt. Weil der Vergleich in Redis in Millisekunden erfolgt, kostet dieser Vorfilter kaum Antwortzeit. Gerade in Kombination mit Leitplanken für unerwünschte Themen ist das ein einfacher und wirksamer Baustein.
Rein semantische Suche stolpert über exakte Begriffe wie Artikelnummern, Fehlercodes oder Normen. Redis kann Vektor- und Volltextsuche verbinden, da die Query Engine ursprünglich als Volltextsuchmaschine entstanden ist. In einer einfachen Variante wird die Vektorsuche mit einer Textbedingung kombiniert, sodass nur Abschnitte berücksichtigt werden, die einen bestimmten Begriff enthalten. Anspruchsvoller ist eine echte Rangfusion, bei der Volltext- und Vektortreffer getrennt ermittelt und anschließend zusammengeführt werden, etwa mit Reciprocal Rank Fusion. Je nach Version war das bisher eher Aufgabe der Anwendung oder einer Bibliothek; neuere Versionen bauen hybride Abfragen mit eingebauter Fusion aus. Den aktuellen Stand sollten Sie beim Anbieter prüfen. Für deutschsprachige Inhalte ist zudem zu testen, wie gut Stemming und Tokenisierung mit Komposita umgehen.
Wie die meisten Vektordatenbanken erzeugt Redis die Embeddings nicht selbst. Die Vektoren berechnet die Anwendung, ein Hintergrunddienst oder eine Bibliothek mit einem Embedding-Modell. Für datenschutzsensible Szenarien empfehlen wir ein selbst betriebenes Open-Source-Modell oder einen europäischen Anbieter mit klarer Auftragsverarbeitung. Denn an dieser Stelle verlassen sonst Klartexte – Fragen und Dokumentinhalte – die eigene Infrastruktur, unabhängig davon, wo Redis selbst läuft.
Die Kommunikation mit Redis läuft über das Redis-Protokoll. Der Hersteller pflegt offizielle Client-Bibliotheken unter anderem für Python, JavaScript und TypeScript, Java, C# und .NET sowie Go; daneben gibt es zahlreiche Community-Clients für weitere Sprachen. Die offiziellen Clients unterstützen die Befehle der Query Engine, sodass sich Indizes anlegen, Dokumente schreiben und Vektorabfragen formulieren lassen. Vektoren werden dabei meist als binäre Zeichenketten übergeben, was ein wenig Umwandlungsarbeit in der Anwendung erfordert.
Komfortabler ist RedisVL, die Redis Vector Library für Python, die vom Hersteller als Open-Source-Projekt entwickelt wird. Sie abstrahiert Indexdefinitionen in deklarativen Schemata, kapselt Vektor-, Bereichs- und Filterabfragen in verständliche Objekte und bringt fertige Bausteine für typische KI-Muster mit: einen semantischen Cache, einen semantischen Router, Speicher für Gesprächsverläufe sowie Anbindungen an verschiedene Embedding-Anbieter und Reranker. Für Python-Teams ist RedisVL oft der schnellste Weg von der Idee zum funktionierenden Prototyp. Für andere Sprachen existieren vergleichbare, teils jüngere Projekte; deren Reifegrad sollte im Einzelfall geprüft werden.
In den großen RAG- und Agenten-Frameworks ist Redis fest verankert. LangChain bietet eine Redis-Integration als Vektorspeicher, als semantischen und klassischen Cache für Modellantworten und als Speicher für Gesprächsverläufe; im Agenten-Umfeld lässt sich Redis zudem als Checkpoint-Speicher nutzen. LlamaIndex stellt einen Redis-Vektorspeicher sowie Dokument- und Indexspeicher bereit, mit denen sich komplette Ingestion-Pipelines inklusive Duplikaterkennung abbilden lassen. Darüber hinaus gibt es Anbindungen für Microsofts Semantic Kernel, Spring AI im Java-Umfeld sowie für zahlreiche Agenten- und Low-Code-Plattformen. Auch für Haystack existieren Integrationen; deren Pflegezustand sollte vor dem Einsatz geprüft werden.
Wie bei allen Vektordatenbanken unterscheidet sich die Tiefe dieser Integrationen. Basisfunktionen wie Einfügen, Ähnlichkeitssuche und einfache Metadatenfilter sind überall vorhanden. Fortgeschrittene Möglichkeiten – Tag-Filter mit komplexer Logik, Bereichsabfragen, spezielle Indexparameter oder JSON-Dokumente mit mehreren Vektoren – sind dagegen nicht immer abgebildet. Manche Integrationen legen zudem eigene Schlüsselpräfixe und Indexschemata an, die nicht zur bestehenden Redis-Nutzung passen. In produktiven Projekten empfehlen wir, Indexschema und kritische Abfragen bewusst selbst zu definieren, etwa mit RedisVL, und das Framework vor allem für Orchestrierung, Prompting und Agentenlogik zu nutzen.
Daten gelangen auf verschiedenen Wegen in Redis. Für Dokumente übernehmen Parser und Ingestion-Werkzeuge wie Unstructured die Aufbereitung, Frameworks oder eigene Dienste zerlegen und vektorisieren die Inhalte. Für operative Daten aus relationalen Datenbanken bietet der Hersteller in den kommerziellen Varianten Mechanismen zur Datenintegration, die Änderungen aus Quellsystemen per Change Data Capture nach Redis übertragen. Alternativ lassen sich Streams oder Messaging-Systeme nutzen. Für Administration und Fehlersuche steht eine grafische Oberfläche des Herstellers zur Verfügung, mit der sich Schlüssel, Indizes und Abfragen untersuchen lassen; für das Monitoring gibt es Exporter für verbreitete Überwachungssysteme.
pgvector verfolgt eine ähnliche Philosophie wie Redis: Vektorsuche in einem System, das viele Unternehmen bereits betreiben. Der Unterschied liegt im Speichermodell. PostgreSQL hält Daten auf der Festplatte und nutzt den Arbeitsspeicher als Cache; Redis hält alles im Arbeitsspeicher. Daraus folgt: Redis ist bei Latenz und Schreibgeschwindigkeit im Vorteil, pgvector bei den Kosten großer Bestände, bei Transaktionen über mehrere Tabellen und bei Joins mit relationalen Geschäftsdaten. Für einen Wissensassistenten über mehrere Hunderttausend Dokumentabschnitte, der ein paar Hundert Anfragen pro Tag beantwortet, ist pgvector meist wirtschaftlicher. Für einen semantischen Cache vor einem stark genutzten Chatbot ist Redis die naheliegendere Wahl. Ähnlich gelagert ist die Vektorsuche in MongoDB, die sich anbietet, wenn Anwendungsdaten bereits als Dokumente dort liegen.
Qdrant ist eine quelloffene, in Rust geschriebene Vektordatenbank eines Berliner Unternehmens. Sie bietet Quantisierung, Speicherauslagerung auf Festplatte, native Hybrid-Suche mit dichten und Sparse-Vektoren, Multivektor-Unterstützung und sehr effiziente Filterung. Im Vergleich zu Redis ist Qdrant auf Vektorsuche spezialisiert und bei großen Beständen deutlich speicherschonender; dafür fehlen die Cache-, Nachrichten- und Datenstrukturfunktionen von Redis. Für Unternehmen mit Souveränitätsanspruch ist zudem der europäische Hintergrund ein Argument. Pinecone ist ein vollständig gemanagter, proprietärer Vektordienst aus den USA ohne Selbsthosting-Option für den Datenbankkern. Er punktet mit minimalem Betriebsaufwand, bedeutet aber eine zusätzliche Abhängigkeit von einem außereuropäischen Anbieter. Redis bietet gegenüber Pinecone die Wahlfreiheit zwischen eigenem Betrieb und Cloud.
Elasticsearch und verwandte Suchplattformen kommen aus der Volltextsuche und haben Vektorsuche als zusätzliche Fähigkeit ergänzt – einschließlich eigener Sparse-Modelle für semantische Schlüsselwortsuche. Ihre Stärken liegen in ausgefeilter Textanalyse, Sprachunterstützung, Facetten und großen, festplattenbasierten Indizes. Wer eine Unternehmenssuche über Millionen Dokumente mit anspruchsvoller Textverarbeitung aufbaut, ist dort meist besser aufgehoben. Redis spielt seine Stärken eher bei kleineren, latenzkritischen Beständen und als Echtzeitschicht aus. Interessanterweise teilen Redis und Elasticsearch eine ähnliche Lizenzgeschichte mit mehreren Wechseln, was die Bedeutung einer sorgfältigen Lizenzprüfung unterstreicht.
Die Kernbotschaft der Abgrenzung: Redis ist selten die beste Wahl als alleiniger Speicher für ein großes Unternehmenswissen, aber oft die beste Wahl als schnelle Schicht davor und daneben. In vielen ausgereiften RAG-Architekturen kommen deshalb zwei Systeme zum Einsatz: eine Vektordatenbank oder pgvector für das Dokumentwissen und Redis für Cache, Sitzungen, Routing und Echtzeitdaten. Wer Redis ohnehin betreibt und einen überschaubaren Wissensbestand hat, kann aber durchaus mit Redis allein starten.
Der wichtigste Planungsfaktor ist der Arbeitsspeicher. In Redis liegen Vektoren, Metadaten, Texte und Indexstrukturen im RAM. Der Bedarf wächst mit der Zahl der Vektoren, ihrer Dimension, dem gewählten Datentyp und den HNSW-Parametern; hinzu kommen Text und Metadaten, die oft mehr Platz brauchen als erwartet. Kompaktere Datentypen, Embedding-Modelle mit moderater Dimension und das Auslagern langer Texte in ein anderes System – Redis speichert dann nur Vektor, Kurzfassung und Verweis – sind wirksame Hebel. Ebenfalls einzuplanen ist Reserve für Replikate und für das Erzeugen von Persistenz-Snapshots, bei dem kurzzeitig zusätzlicher Speicher benötigt werden kann.
Redis bietet zwei Mechanismen für die Persistenz: periodische Snapshots des gesamten Datenbestands und ein Protokoll aller Schreiboperationen, das bei Bedarf sehr häufig auf die Festplatte geschrieben wird. Für einen semantischen Cache ist Persistenz verzichtbar – im Zweifel füllt er sich nach einem Neustart wieder. Wird Redis dagegen als primärer Vektorspeicher genutzt, sollte mindestens eines der Verfahren aktiv sein, oft beide. Wichtig zu wissen: Vektorindizes werden nach einem Neustart aus den gespeicherten Daten neu aufgebaut, was bei großen Beständen Zeit kostet. Diese Wiederanlaufzeit sollte gemessen und im Notfallkonzept berücksichtigt werden.
Ein typischer Stolperstein ist die Verdrängungsregel. Viele Redis-Instanzen sind als Cache konfiguriert und löschen bei Speichermangel automatisch Schlüssel. Für einen semantischen Cache ist das gewollt; für eine Wissensbasis wäre es fatal, denn stillschweigend verschwundene Dokumentabschnitte führen zu lückenhaften Antworten, ohne dass jemand es bemerkt. Wer Redis als Vektorspeicher nutzt, sollte daher eine eigene Instanz oder Datenbank mit einer Regel betreiben, die bei vollem Speicher Schreibvorgänge ablehnt statt Daten zu löschen, und die Speicherauslastung eng überwachen.
Für Hochverfügbarkeit bietet Redis Replikation auf eine oder mehrere Standby-Instanzen, die bei einem Ausfall automatisch übernehmen können. In Kubernetes erledigen das Operatoren, in Redis Software und Redis Cloud ist es Teil des Angebots. Bei der Skalierung ist zu unterscheiden: Lesezugriffe lassen sich über Replikate verteilen, die Datenmenge über Sharding in einem Cluster. Ob und wie Vektorindizes über mehrere Shards hinweg durchsucht werden können, hängt von Edition und Version ab und ist ein zentraler Punkt in der Architekturentscheidung. Kommerzielle Varianten bieten hier traditionell mehr Komfort, etwa durch verteilte Suche und Speicher-Tiering zwischen RAM und SSD.
Bei der Sicherheit gilt: Redis muss aktiv abgesichert werden. Zugriffskontrolllisten erlauben Benutzer mit eingeschränkten Rechten auf bestimmte Befehle und Schlüsselbereiche; TLS verschlüsselt den Datenverkehr. Eine Redis-Instanz gehört niemals ungeschützt ins Internet. Für mandantenfähige Anwendungen ist zu klären, wie Daten getrennt werden: über separate Datenbanken oder Instanzen, über Schlüsselpräfixe mit getrennten Indizes oder über Tag-Filter in einem gemeinsamen Index. Letzteres ist effizient, verlagert die Verantwortung für die Trennung aber vollständig in die Anwendung – ein Fehler im Filter kann Daten fremder Mandanten preisgeben.
Der Mehrwert zeigt sich vor allem dort, wo Geschwindigkeit, hohe Wiederholungsraten oder Echtzeitdaten eine Rolle spielen. Ein Chatbot im Kundenservice, der täglich viele ähnliche Fragen beantwortet, profitiert vom semantischen Cache. Ein Webshop, der Produktempfehlungen in Echtzeit ausspielt, profitiert von der niedrigen Latenz. Ein Agent, der Aufträge über mehrere Schritte bearbeitet, profitiert vom schnellen Gedächtnis.
Ein typisches Mittelstandsprojekt mit Redis sieht in unserer Praxis etwa so aus: Das stabile Dokumentwissen – Handbücher, Richtlinien, Verträge – liegt in PostgreSQL mit pgvector oder in einer dedizierten Vektordatenbank, betrieben im eigenen Rechenzentrum oder bei einem deutschen Hoster. Davor arbeitet eine Redis-Instanz, ebenfalls selbst betrieben oder in einer EU-Region, mit drei Aufgaben. Erstens prüft ein semantischer Router jede Anfrage und leitet sie an den passenden Pfad. Zweitens prüft der semantische Cache, ob eine gleichwertige Frage bereits beantwortet wurde – getrennt nach Sprache, Produktbereich und Berechtigungsgruppe. Drittens hält Redis die Gesprächsverläufe der laufenden Sitzungen mit Ablaufzeiten vor. Nur wenn der Cache nicht greift, läuft die Anfrage durch das vollständige RAG-System, und die neue Antwort wird anschließend im Cache abgelegt.
Für kleinere Projekte geht es auch einfacher: Ein Wissensassistent für eine überschaubare Dokumentensammlung kann komplett in Redis laufen, inklusive Vektorindex, Cache und Sitzungen. Das reduziert die Zahl der Komponenten auf ein Minimum. Wächst der Bestand später stark, lässt sich das Dokumentwissen in ein festplattenbasiertes System verlagern, während Redis seine Rolle als schnelle Schicht behält.
Redis beschleunigt, aber es macht ein RAG-System nicht klüger. Die größten Qualitätshebel liegen weiterhin in Datenaufbereitung, Chunking, Modellwahl, Hybrid-Suche, Reranking und systematischer Evaluierung. Ein semantischer Cache kann zudem Fehler konservieren: Ist eine Antwort einmal falsch im Cache gelandet, wird sie mit hoher Geschwindigkeit wiederholt ausgeliefert. Deshalb gehören Feedback-Mechanismen, Ablaufzeiten und die Möglichkeit, Cache-Einträge gezielt zu invalidieren, von Anfang an in die Architektur. Wer diese Punkte berücksichtigt und mit einem klar umrissenen Anwendungsfall startet, kann mit Redis sehr schnell spürbare Verbesserungen bei Antwortzeit und Betriebskosten erzielen.
Beim Selbstbetrieb von Redis Open Source oder Redis Software auf eigener Hardware oder bei einem deutschen Hoster verbleiben Vektoren, Texte, Cache-Einträge und Gesprächsverläufe vollständig im eigenen Verantwortungsbereich. Das ist der direkteste Weg zu einer sauberen Datenschutzarchitektur. Bei einem europäischen Hoster ist dieser Auftragsverarbeiter; ein entsprechender Vertrag ist abzuschließen, und dessen Unterauftragnehmer sind zu prüfen. Liegen Unternehmenssitz und Rechenzentren im europäischen Rechtsraum, vereinfacht das die Bewertung erheblich.
Bei Redis Cloud verarbeitet der Hersteller die Daten auf Infrastruktur großer Hyperscaler. Wählbar sind auch Regionen in der Europäischen Union, sodass die Daten physisch in Europa liegen. Zu berücksichtigen ist jedoch, dass sowohl der Hersteller als auch die zugrunde liegenden Cloud-Anbieter ihren Hauptsitz in den USA haben. Damit stellt sich die Frage nach dem US CLOUD Act, der US-Behörden unter bestimmten Voraussetzungen Zugriff auf Daten ermöglichen kann, die von US-Unternehmen kontrolliert werden – unabhängig vom Speicherort. Hinzu kommen Fragen nach Supportzugriffen, Unterauftragsverarbeitern und Datenflüssen für Telemetrie. Wie diese Aspekte im Einzelfall zu bewerten sind, welche vertraglichen und technischen Schutzmaßnahmen greifen und welche Rolle aktuelle Angemessenheitsbeschlüsse spielen, gehört in die Prüfung durch Datenschutzbeauftragte. Gleiches gilt für Redis-kompatible Dienste der Hyperscaler und für gemanagte Zusatzdienste wie einen Cache-as-a-Service, die zusätzlich Embeddings berechnen können.
Unabhängig vom Betriebsmodell gilt: Ein semantischer Cache und ein Agenten-Gedächtnis enthalten oft genau die Daten, die besonders schützenswert sind – Fragen von Kunden und Mitarbeitenden im Wortlaut, Antworten mit personenbezogenen Details, Präferenzen und Verläufe. Ablaufzeiten auf Schlüsselebene sind hier ein echter Vorteil, weil sie Speicherbegrenzung technisch durchsetzen. Ebenso wichtig sind ein Löschkonzept für Auskunfts- und Löschersuchen, die strikte Trennung von Cache-Einträgen nach Berechtigung und die Berücksichtigung von Snapshots und Replikaten, in denen gelöschte Daten noch eine Zeit lang vorhanden sein können. Vektoren selbst sind keine anonymen Daten; aus Embeddings lassen sich unter Umständen Rückschlüsse auf die Ursprungstexte ziehen.
Die Kostenstruktur von Redis unterscheidet sich deutlich von festplattenbasierten Systemen. Beim Selbstbetrieb von Redis Open Source fallen keine Lizenzgebühren an, wohl aber Kosten für Server mit ausreichend Arbeitsspeicher, für Replikate, Backup-Speicher, Monitoring und die Arbeitszeit für Einrichtung und Betrieb. Arbeitsspeicher ist pro Gigabyte deutlich teurer als Festplattenspeicher, und weil Redis alle Daten im RAM hält, wächst dieser Posten direkt mit dem Datenbestand. Für einen semantischen Cache mit begrenzter Größe ist das unkritisch; für ein großes Dokumentarchiv kann es den Ausschlag gegen Redis als alleinigen Speicher geben.
Redis Software wird typischerweise als Subskription lizenziert, Redis Cloud nach bereitgestellter Speichergröße, Durchsatz und gewählten Funktionen, mit kostenlosen oder günstigen Einstiegstarifen für Entwicklung. Aktuelle Preise und Konditionen sind beim jeweiligen Anbieter zu prüfen, da sie sich regelmäßig ändern. Bei der Wirtschaftlichkeitsrechnung sollte man auch die Einsparseite betrachten: Ein gut eingestellter semantischer Cache reduziert Modellaufrufe und damit laufende Kosten für Sprachmodelle. Ob sich das im eigenen Szenario rechnet, zeigt eine Messung der Cache-Trefferquote mit realen Anfragen. Als Faustregel gilt: Redis lohnt sich wirtschaftlich besonders dort, wo es bereits betrieben wird, wo hohe Abfragevolumina auf überschaubare Datenmengen treffen und wo Caching messbar Modellkosten spart.