960 字
5 分钟
Qdrant 快速入门
Qdrant（发音为”quadrant”）是一个用Rust编写的向量相似度搜索引擎和向量数据库。它提供了一个生产级服务，带有便捷的API用于存储、搜索和管理点（带有额外payload的向量）。
核心特性
- Qdrant专为扩展过滤支持而设计，使其适用于各种基于神经网络或语义的匹配、多面搜索等应用。
- 由于使用Rust编写，即使在高负载下也能保持快速和可靠。
- 支持向量附加任何JSON格式的payload，允许基于这些payload的值进行存储和过滤。
- payload支持多种数据类型和查询条件，包括关键词匹配、全文过滤、数值范围、地理位置等。
快速开始（Docker）
1. 获取并运行Docker镜像
# 拉取最新的预构建镜像
docker pull qdrant/qdrant
# 使用默认配置运行
docker run -p 6333:6333 qdrant/qdrant运行后，Qdrant将在默认端口6333上可访问，并使用默认配置。数据将存储在docker容器内的默认路径中。如果要将数据持久化到本地目录，可以挂载卷。
2. 创建集合
首先创建一个使用点积（Dot Product）相似度度量的集合：
curl -X PUT 'http://localhost:6333/collections/test_collection' \
-H 'Content-Type: application/json' \
--data-raw '{
"vectors": {
"size": 4,
"distance": "Dot"
}
}'预期响应：
{
"result": true,
"status": "ok",
"time": 0.031095451
}3. 添加向量点
向集合中添加包含向量和payload的点：
curl -L -X PUT 'http://localhost:6333/collections/test_collection/points?wait=true' \
-H 'Content-Type: application/json' \
--data-raw '{
"points": [
{"id": 1, "vector": [0.05, 0.61, 0.76, 0.74], "payload": {"city": "Berlin"}},
{"id": 2, "vector": [0.19, 0.81, 0.75, 0.11], "payload": {"city": ["Berlin", "London"] }},
{"id": 3, "vector": [0.36, 0.55, 0.47, 0.94], "payload": {"city": ["Berlin", "Moscow"] }},
{"id": 4, "vector": [0.18, 0.01, 0.85, 0.80], "payload": {"city": ["London", "Moscow"] }},
{"id": 5, "vector": [0.24, 0.18, 0.22, 0.44], "payload": {"count": [0] }},
{"id": 6, "vector": [0.35, 0.08, 0.11, 0.44]}
]
}'4. 基本向量搜索
执行简单的向量相似度搜索，返回与查询向量最相似的3个点：
curl -L -X POST 'http://localhost:6333/collections/test_collection/points/search' \
-H 'Content-Type: application/json' \
--data-raw '{
"vector": [0.2, 0.1, 0.9, 0.7],
"limit": 3
}'预期响应：
{
"result": [
{
"id": 4,
"score": 1.362
},
{
"id": 1,
"score": 1.273
},
{
"id": 3,
"score": 1.208
}
],
"status": "ok",
"time": 0.000055785
}5. 使用过滤条件的向量搜索
通过添加过滤条件，可以限制搜索结果仅包含符合特定条件的点：
curl -L -X POST 'http://localhost:6333/collections/test_collection/points/search' \
-H 'Content-Type: application/json' \
--data-raw '{
"filter": {
"should": [
{
"key": "city",
"match": {
"value": "London"
}
}
]
},
"vector": [0.2, 0.1, 0.9, 0.7],
"top": 3
}'使用Python客户端
Qdrant提供了多种客户端库，其中Python客户端提供了同步和异步请求的类型定义，以及一些便捷的辅助方法。
安装
pip install qdrant-client创建集合
from qdrant_client import QdrantClient
from qdrant_client.http.models import Distance, VectorParams
client = QdrantClient("localhost", port=6333)
client.recreate_collection(
collection_name="test_collection",
vectors_config=VectorParams(size=4, distance=Distance.DOT),
)添加点
from qdrant_client.http.models import PointStruct
client.upsert(
collection_name="test_collection",
wait=True,
points=[
PointStruct(id=1, vector=[0.05, 0.61, 0.76, 0.74], payload={"city": "Berlin"}),
PointStruct(id=2, vector=[0.19, 0.81, 0.75, 0.11], payload={"city": ["Berlin", "London"]}),
PointStruct(id=3, vector=[0.36, 0.55, 0.47, 0.94], payload={"city": ["Berlin", "Moscow"]}),
PointStruct(id=4, vector=[0.18, 0.01, 0.85, 0.80], payload={"city": ["London", "Moscow"]}),
PointStruct(id=5, vector=[0.24, 0.18, 0.22, 0.44], payload={"count": [0]}),
PointStruct(id=6, vector=[0.35, 0.08, 0.11, 0.44])
]
)搜索
search_result = client.search(
collection_name="test_collection",
query_vector=[0.2, 0.1, 0.9, 0.7],
limit=3
)内存模式（适用于开发和测试）
Python客户端允许在不运行Qdrant服务器的情况下以本地模式运行相同的代码：
from qdrant_client import QdrantClient
# 使用内存模式，适用于开发和原型设计
client = QdrantClient(":memory:")
# 或者持久化到磁盘
# client = QdrantClient(path="path/to/db")生产环境配置
在生产环境中，可以通过配置文件覆盖默认设置。默认配置文件位于config/config.yaml，在生产环境中可以通过在docker容器内提供/qdrant/config/production.yaml来覆盖值。
在真正的生产环境中，应通过设置service.apiKey启用身份验证。对于生产环境，还应考虑设置--read-only和--user=1000:2000以进一步保护Qdrant实例。或者使用Helm图表或Qdrant Cloud，它们默认设置这些值。
使用自定义配置运行Docker：
docker run -p 6333:6333 \
-v $(pwd)/path/to/data:/qdrant/storage \
-v $(pwd)/path/to/custom_config.yaml:/qdrant/config/production.yaml \
qdrant/qdrant