面向下一代AI应用的向量搜索引擎

Qdrant（读作：quadrant）是一个向量相似性搜索引擎和向量数据库。 它提供了一个生产就绪的服务，通过便捷的API来存储、搜索和管理点——即带有附加负载的向量。 Qdrant专为扩展的过滤支持而设计，因此在各种基于神经网络或语义的匹配、分面搜索及其他应用中都非常有用。

Qdrant使用Rust语言编写 🦀，这使得它在高负载下依然快速且可靠。请参阅基准测试。

借助Qdrant，嵌入或神经网络编码器可以轻松转化为功能完善的匹配、搜索、推荐等应用！

Qdrant还提供完全托管的**Qdrant云** ⛅，包含免费层级。

快速入门 • 客户端库 • 演示项目 • 集成 • 联系我们

开始使用

Python

pip install qdrant-client

Python客户端提供了一种方便的方式，在本地快速上手Qdrant：

from qdrant_client import QdrantClient
qdrant = QdrantClient(":memory:") # 创建内存中的Qdrant实例，用于测试、CI/CD
# 或者
client = QdrantClient(path="path/to/db")  # 将更改持久化到磁盘，适合快速原型开发

客户端-服务器模式

要在本地体验Qdrant的全部功能，请使用以下命令运行容器：

docker run -p 6333:6333 qdrant/qdrant

[!注意] 此操作会启动一个不安全的部署，未启用身份验证，并对所有网络接口开放。请参考保护您的实例。

现在您可以使用任何客户端连接到该实例，包括Python：

qdrant = QdrantClient("http://localhost:6333") # 连接到现有的Qdrant实例

在将Qdrant部署到生产环境之前，请务必阅读我们的安装指南和安全指南。

客户端

Qdrant提供了以下客户端库，帮助您轻松将其集成到应用程序栈中：

• 官方：
  • Go客户端
  • Rust客户端
  • JavaScript/TypeScript客户端
  • Python客户端
  • .NET/C#客户端
  • Java客户端
• 社区：
  • Elixir
  • PHP
  • Ruby
  • Java

接下来我该做什么？

• 快速入门指南
• 使用SentenceBERT和Qdrant的端到端Colab笔记本演示
• 详细的文档是很好的起点
• 逐步教程，帮助您创建第一个使用Qdrant的神经网络项目

演示项目

探索语义文本搜索 🔍

利用Qdrant释放语义嵌入的力量，超越基于关键词的搜索，在短文中找到有意义的关联。只需几分钟即可部署一个预训练的神经网络进行搜索，体验文本搜索的未来。在线试用！

探索相似图像搜索——美食发现 🍕

探索远不止于文本搜索，尤其是在美食领域。人们往往根据食物的外观而非描述和配料来选择餐点。让Qdrant帮助您的用户通过视觉搜索找到下一道美味佳肴，即使他们不知道这道菜的名字。去看看吧！

掌握极端分类——电商商品分类 📺

进入极端分类这一前沿领域，它是一个新兴的机器学习方向，专门解决具有数百万个标签的多类别和多标签问题。利用相似度学习模型的潜力，了解预训练的Transformer模型和Qdrant如何彻底改变电商商品分类。在线体验！

更多解决方案

语义文本搜索	相似图像搜索	推荐系统

聊天机器人	匹配引擎	异常检测

API

REST

在线OpenAPI 3.0文档可在此访问：这里。OpenAPI使您能够轻松为几乎任何框架或编程语言生成客户端。

您也可以下载原始的OpenAPI 定义。

gRPC

为了实现更快速的生产级搜索，Qdrant还提供了gRPC接口。gRPC文档可在此查阅：这里。

功能

过滤与负载

Qdrant可以将任意JSON负载附加到向量上，从而允许基于这些负载中的值存储和过滤数据。 负载支持广泛的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。

过滤条件可以通过多种方式组合，包括should、must和must_not子句， 确保您可以在相似度匹配的基础上实现任何所需的业务逻辑。

带有稀疏向量的混合搜索

为了解决向量嵌入在搜索特定关键词时的局限性，Qdrant除了常规的稠密向量外，还引入了对稀疏向量的支持。

稀疏向量可以被视为BM25或TF-IDF排序的泛化。它们使您能够利用基于Transformer的神经网络能力，有效地权衡各个标记的重要性。

向量量化与磁盘存储

Qdrant提供了多种选项，以降低向量搜索的成本并提高资源效率。 内置的向量量化可将RAM使用率降低多达97%，并动态管理搜索速度与精度之间的权衡。

分布式部署

Qdrant通过两种关键机制提供全面的水平扩展支持：

1. 通过分片扩展规模，通过复制提升吞吐量
2. 零停机滚动更新以及集合的无缝动态扩展

亮点功能

• 查询计划与负载索引 - 利用存储的负载信息优化查询执行策略。
• SIMD硬件加速 - 利用现代CPU x86-x64和Neon架构提升性能。
• 异步I/O - 使用io_uring最大化磁盘吞吐量，即使是在网络附加存储上也能实现。
• 预写日志 - 即使在断电情况下，也能通过更新确认确保数据持久化。

集成

Qdrant集成的示例和/或文档：

• Cohere (关于使用Cohere和Qdrant构建问答应用的博客文章) - 将Cohere嵌入与Qdrant结合使用
• DocArray - 在DocArray中使用Qdrant作为文档存储
• Haystack - 使用Qdrant作为Haystack的文档存储（博客文章）。
• LangChain (博客文章) - 将Qdrant用作LangChain的记忆后端。
• LlamaIndex - 使用Qdrant作为LlamaIndex的向量存储。
• OpenAI - ChatGPT检索插件 - 将Qdrant用作ChatGPT的记忆后端
• Microsoft Semantic Kernel - 使用Qdrant作为Semantic Kernel的持久化内存

联系方式

• 有问题吗？加入我们的Discord频道或在Twitter上@qdrant_engine留言
• 想及时了解最新发布内容吗？订阅我们的新闻通讯
• 寻求托管云服务？请查看定价，如有个性化需求，请联系info@qdrant.tech

许可证

Qdrant采用Apache许可证2.0版授权。您可以查看许可证文件。

Qdrant 快速上手指南

Qdrant 是一个用 Rust 编写的高性能向量搜索引擎和向量数据库，专为下一代 AI 应用设计。它支持存储、搜索和管理带有额外负载（payload）的向量，并提供强大的过滤功能，适用于语义搜索、推荐系统、图像检索等场景。

环境准备

• 操作系统：Linux, macOS, Windows (推荐通过 Docker 运行以获得最佳一致性)
• 前置依赖：
  • Docker (推荐方式)：需安装 Docker Engine 和 Docker Compose。
  • Python (可选)：如需使用 Python 客户端进行开发，需安装 Python 3.8+ 及 pip。
• 硬件要求：支持 x86-64 或 ARM64 架构。利用 SIMD 指令集可获得更佳性能。

安装步骤

方式一：使用 Docker 快速启动（推荐）

这是体验完整 Qdrant 功能最简单的方式。运行以下命令启动容器，默认将服务暴露在 6333 端口：

docker run -p 6333:6333 qdrant/qdrant

注意：上述命令启动的是未开启身份验证的开发环境实例。生产环境部署请务必参考官方安全指南配置认证。

方式二：Python 客户端本地模式（无需服务器）

如果你仅想在本地进行测试、CI/CD 流程或快速原型开发，可以直接安装 Python 客户端并使用内存模式或本地文件模式，无需启动 Docker 容器。

pip install qdrant-client

基本使用

以下示例展示如何使用 Python 客户端连接 Qdrant 并执行基本的向量操作。

1. 初始化客户端

连接本地 Docker 实例：

from qdrant_client import QdrantClient

# 连接到运行在 localhost:6333 的 Qdrant 实例
qdrant = QdrantClient("http://localhost:6333")

或使用内存/本地文件模式（无需 Docker）：

from qdrant_client import QdrantClient

# 内存模式：重启后数据丢失，适合测试
qdrant = QdrantClient(":memory:") 

# 或者持久化到本地磁盘
# client = QdrantClient(path="path/to/db")

2. 创建集合 (Collection)

在存入向量前，需要先定义一个集合来指定向量的维度距离度量方式。

from qdrant_client.http.models import Distance, VectorParams

qdrant.create_collection(
    collection_name="test_collection",
    vectors_config=VectorParams(size=4, distance=Distance.COSINE),
)

3. 存入向量 (Upsert)

将向量及其关联的负载（payload，如文本描述、ID 等）存入集合。

from qdrant_client.http.models import PointStruct

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": "London"}),
    PointStruct(id=3, vector=[0.36, 0.55, 0.47, 0.94], payload={"city": "Moscow"}),
]

qdrant.upsert(
    collection_name="test_collection",
    points=points,
)

4. 执行搜索 (Search)

根据查询向量查找最相似的点，并可结合负载过滤条件。

search_result = qdrant.search(
    collection_name="test_collection",
    query_vector=[0.2, 0.1, 0.9, 0.7],
    limit=3,
)

print(search_result)

至此，你已成功运行 Qdrant 并完成了基本的向量存取与搜索。更多高级功能（如稀疏向量、混合搜索、分布式部署）请参考官方详细文档。