qdrant-vector-search

# Qdrant - 向量相似度搜索引擎 使用 Rust 编写的高性能向量数据库，专为生产级 RAG 和语义搜索而设计。 ## 何时使用 Qdrant **适用场景：** - 构建需要低延迟的生产级 RAG 系统 - 需要混合搜索（向量 + 元数据过滤） - 需要通过分片/复制进行水平扩展 - 需要完全数据控制的本地部署 - 每条记录需要多向量存储（稠密 + 稀疏） - 构建实时推荐系统 **关键特性：** - **Rust 驱动**：内存安全，高性能 - **丰富的过滤**：搜索时按任何负载字段过滤 - **多向量**：每个点支持稠密、稀疏、多稠密向量 - **量化**：标量、乘积、二进制量化以提高内存效率 - **分布式**：Raft 共识、分片、复制 - **REST + gRPC**：双 API，功能完全对等 **替代方案：** - **Chroma**: 设置更简单，适用于嵌入式场景 - **FAISS**: 极致的原始速度，适用于研究/批处理 - **Pinecone**: 全托管，首选零运维方案 - **Weaviate**: 偏好 GraphQL，内置向量化器 ## 快速开始 ### 安装 bash # Python 客户端 pip install qdrant-client # Docker (开发推荐) docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant # 带持久化存储的 Docker docker run -p 6333:6333 -p 6334:6334 -v $(pwd)/qdrant_storage:/qdrant/storage qdrant/qdrant ### 基本用法 python from qdrant_client import QdrantClient from qdrant_client.models import Distance, VectorParams, PointStruct # 连接到 Qdrant client = QdrantClient(host="localhost", port=6333) # 创建集合 client.create_collection( collection_name="documents", vectors_config=VectorParams(size=384, distance=Distance.COSINE) ) # 插入带负载 (payload) 的向量 client.upsert( collection_name="documents", points=[ PointStruct( id=1, vector=[0.1, 0.2, ...], # 384 维向量 payload={"title": "Doc 1", "category": "tech"} ), PointStruct( id=2, vector=[0.3, 0.4, ...], payload={"title": "Doc 2", "category": "science"} ) ] ) # 带过滤的搜索 results = client.search( collection_name="documents", query_vector=[0.15, 0.25, ...], query_filter={ "must": [{"key": "category", "match": {"value": "tech"}}] }, limit=10 ) for point in results: print(f"ID: {point.id}, Score: {point.score}, Payload"