Qdrant #

┌─────────────────────────────────────────────────────────────┐
│                        Qdrant                                │
├─────────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │  向量存储    │  │  相似性搜索  │  │  过滤查询    │         │
│  └─────────────┘  └─────────────┘  └─────────────┘         │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │  分布式架构  │  │  高性能索引  │  │  云原生设计  │         │
│  └─────────────┘  └─────────────┘  └─────────────┘         │
└─────────────────────────────────────────────────────────────┘

传统数据库痛点：

1. 无法处理高维向量
   关系数据库不擅长向量相似性计算
   高维数据查询效率低下

2. 缺乏语义理解
   关键词匹配无法理解语义
   同义词、近义词无法关联

3. 扩展性差
   大规模向量数据难以水平扩展
   查询性能随数据量下降

Qdrant 解决方案：

✅ 原生向量支持：专为高维向量设计
✅ 高效索引：HNSW 算法实现快速近似搜索
✅ 语义搜索：基于向量相似性的智能检索
✅ 过滤能力：支持丰富的元数据过滤
✅ 分布式：天然支持水平扩展
✅ 云原生：Kubernetes 友好，易于部署

Qdrant 文档
├── 基础入门
│   ├── Qdrant 简介
│   ├── 安装与配置
│   ├── 核心概念
│   └── 快速开始
│
├── 核心功能
│   ├── Collection 管理
│   ├── 向量操作
│   ├── 搜索查询
│   └── Payload 管理
│
├── 进阶特性
│   ├── 索引与性能
│   ├── 分布式部署
│   ├── 快照与备份
│   └── 监控与运维
│
└── 实战应用
    ├── 语义搜索
    ├── RAG 应用
    └── 推荐系统

入门阶段
├── Qdrant 简介
├── 安装与配置
├── 核心概念
└── 快速开始

进阶阶段
├── Collection 管理
├── 向量操作
├── 搜索查询
└── Payload 管理

高级阶段
├── 索引与性能优化
├── 分布式部署
├── 快照与备份
└── 监控与运维

实战阶段
├── 语义搜索应用
├── RAG 系统构建
└── 推荐系统开发

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

client = QdrantClient(":memory:")

client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=384, distance=Distance.COSINE),
)

client.upsert(
    collection_name="my_collection",
    points=[
        PointStruct(
            id=1,
            vector=[0.1, 0.2, ...],
            payload={"city": "Beijing"}
        )
    ]
)

results = client.search(
    collection_name="my_collection",
    query_vector=[0.1, 0.2, ...],
    limit=5
)