强大而便捷的向量搜索引擎——Qdrant的安装与使用指南-CSDN博客

本文链接：https://blog.csdn.net/awsedrfttyuu/article/details/144591440

强大而便捷的向量搜索引擎——Qdrant的安装与使用指南

引言

在现代AI应用中，向量相似性搜索是不可或缺的工具之一。Qdrant作为一种高效的向量相似性搜索引擎，提供了生产就绪的服务，允许用户存储、搜索和管理带有附加负载的向量点。本文旨在帮助读者了解如何安装和使用Qdrant，以便在项目中实现有效的向量搜索。

主要内容

安装与设置

首先，我们需要安装Qdrant的Python伙伴包。这可以通过简单的pip命令来完成：

pip install langchain-qdrant

安装完成后，您就可以开始利用Qdrant强大的功能来处理向量数据了。

向量存储

Qdrant提供了一个适用于其索引的包装器，允许您将其用作向量存储，无论是用于语义搜索还是示例选择。要导入此向量存储，可以使用以下代码：

from langchain_qdrant import QdrantVectorStore

使用API代理服务

由于某些地区的网络限制，开发者可能需要使用API代理服务来提高对Qdrant服务的访问稳定性。可以在与API交互的代码中设置代理，以确保稳定的网络连接。

代码示例

以下是一个使用Qdrant进行简单向量搜索的完整代码示例：

from langchain_qdrant import QdrantVectorStore

# 初始化Qdrant向量存储
vector_store = QdrantVectorStore(endpoint='{AI_URL}', proxy='http://your-proxy-server.com')  # 使用API代理服务提高访问稳定性

# 假设我们有一些向量数据
vectors = [
    {"id": "1", "vector": [0.1, 0.2, 0.3], "payload": {"category": "A"}},
    {"id": "2", "vector": [0.4, 0.5, 0.6], "payload": {"category": "B"}},
]

# 将向量数据存储到Qdrant
vector_store.upsert_vectors(vectors)

# 执行相似性搜索
results = vector_store.search_vectors(query_vector=[0.1, 0.2, 0.3], top_k=2)

# 输出搜索结果
print("Search Results:", results)