Qdrant Vector Search

用于 RAG 和语义搜索的高性能向量相似度搜索引擎。适用于构建需要快速最近邻搜索、带过滤的混合搜索，或基于 Rust 高性能的可扩展向量存储的生产级 RAG 系统。

Skill 元数据


来源	可选 — 使用 `aigenlabs skills install official/mlops/qdrant` 安装
路径	`optional-skills/mlops/qdrant`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖	`qdrant-client>=1.12.0`
平台	linux, macos, windows
标签	`RAG`, `Vector Search`, `Qdrant`, `Semantic Search`, `Embeddings`, `Similarity Search`, `HNSW`, `Production`, `Distributed`

参考：完整 SKILL.md

信息

以下是 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。

Qdrant - 向量相似度搜索引擎

用 Rust 编写的高性能向量数据库，适用于生产级 RAG 和语义搜索。

何时使用 Qdrant

在以下情况下使用 Qdrant：

构建需要低延迟的生产级 RAG 系统
需要混合搜索（向量 + 元数据过滤）
需要通过分片/副本实现水平扩展
希望本地部署并完全掌控数据
每条记录需要多向量存储（稠密 + 稀疏）
构建实时推荐系统

核心特性：

Rust 驱动：内存安全，高性能
丰富过滤：在搜索时按任意 payload 字段过滤
多向量：每个点支持稠密、稀疏、多稠密向量
量化：标量、乘积、二值量化，节省内存
分布式：Raft 共识、分片、副本
REST + gRPC：两套 API 功能完全对等

以下情况请使用替代方案：

Chroma：更简单的配置，嵌入式使用场景
FAISS：追求极致原始速度，研究/批处理场景
Pinecone：完全托管，零运维偏好
Weaviate：偏好 GraphQL，内置向量化器

快速开始

安装

# Python 客户端
pip install qdrant-client

# Docker（推荐用于开发）
docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant

# Docker 持久化存储
docker run -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_storage:/qdrant/storage \
    qdrant/qdrant

基本用法

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

# 连接到 Qdrant
client = QdrantClient(host="localhost", port=6333)

# 创建集合
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=384, distance=Distance.COSINE)
)

# 插入带 payload 的向量
client.upsert(
    collection_name="documents",
    points=[
        PointStruct(
            id=1,
            vector=[0.1, 0.2, ...],  # 384 维向量
            payload={"title": "Doc 1", "category": "tech"}
        ),
        PointStruct(
            id=2,
            vector=[0.3, 0.4, ...],
            payload={"title": "Doc 2", "category": "science"}
        )
    ]
)

# 带过滤的搜索
results = client.search(
    collection_name="documents",
    query_vector=[0.15, 0.25, ...],
    query_filter={
        "must": [{"key": "category", "match": {"value": "tech"}}]
    },
    limit=10
)

for point in results:
    print(f"ID: {point.id}, Score: {point.score}, Payload: {point.payload}")

核心概念

Points（点）— 基本数据单元

from qdrant_client.models import PointStruct

# Point = ID + 向量 + Payload
point = PointStruct(
    id=123,                              # 整数或 UUID 字符串
    vector=[0.1, 0.2, 0.3, ...],        # 稠密向量
    payload={                            # 任意 JSON 元数据
        "title": "Document title",
        "category": "tech",
        "timestamp": 1699900000,
        "tags": ["python", "ml"]
    }
)

# 批量 upsert（推荐）
client.upsert(
    collection_name="documents",
    points=[point1, point2, point3],
    wait=True  # 等待索引完成
)

Collections（集合）— 向量容器

from qdrant_client.models import VectorParams, Distance, HnswConfigDiff

# 使用 HNSW 配置创建集合
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(
        size=384,                        # 向量维度
        distance=Distance.COSINE         # COSINE、EUCLID、DOT、MANHATTAN
    ),
    hnsw_config=HnswConfigDiff(
        m=16,                            # 每个节点的连接数（默认 16）
        ef_construct=100,                # 构建时精度（默认 100）
        full_scan_threshold=10000        # 低于此值切换为暴力搜索
    ),
    on_disk_payload=True                 # 将 payload 存储在磁盘上
)

# 集合信息
info = client.get_collection("documents")
print(f"Points: {info.points_count}, Vectors: {info.vectors_count}")

距离度量

度量	使用场景	范围
`COSINE`	文本 embedding、归一化向量	0 到 2
`EUCLID`	空间数据、图像特征	0 到 ∞
`DOT`	推荐系统、非归一化向量	-∞ 到 ∞
`MANHATTAN`	稀疏特征、离散数据	0 到 ∞

搜索操作

基本搜索

# 简单最近邻搜索
results = client.search(
    collection_name="documents",
    query_vector=[0.1, 0.2, ...],
    limit=10,
    with_payload=True,
    with_vectors=False  # 不返回向量（更快）
)

带过滤的搜索

from qdrant_client.models import Filter, FieldCondition, MatchValue, Range

# 复杂过滤
results = client.search(
    collection_name="documents",
    query_vector=query_embedding,
    query_filter=Filter(
        must=[
            FieldCondition(key="category", match=MatchValue(value="tech")),
            FieldCondition(key="timestamp", range=Range(gte=1699000000))
        ],
        must_not=[
            FieldCondition(key="status", match=MatchValue(value="archived"))
        ]
    ),
    limit=10
)

# 简写过滤语法
results = client.search(
    collection_name="documents",
    query_vector=query_embedding,
    query_filter={
        "must": [
            {"key": "category", "match": {"value": "tech"}},
            {"key": "price", "range": {"gte": 10, "lte": 100}}
        ]
    },
    limit=10
)

批量搜索

from qdrant_client.models import SearchRequest

# 单次请求中执行多个查询
results = client.search_batch(
    collection_name="documents",
    requests=[
        SearchRequest(vector=[0.1, ...], limit=5),
        SearchRequest(vector=[0.2, ...], limit=5, filter={"must": [...]}),
        SearchRequest(vector=[0.3, ...], limit=10)
    ]
)

RAG 集成

与 sentence-transformers 集成

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

# 初始化
encoder = SentenceTransformer("all-MiniLM-L6-v2")
client = QdrantClient(host="localhost", port=6333)

# 创建集合
client.create_collection(
    collection_name="knowledge_base",
    vectors_config=VectorParams(size=384, distance=Distance.COSINE)
)

# 索引文档
documents = [
    {"id": 1, "text": "Python is a programming language", "source": "wiki"},
    {"id": 2, "text": "Machine learning uses algorithms", "source": "textbook"},
]

points = [
    PointStruct(
        id=doc["id"],
        vector=encoder.encode(doc["text"]).tolist(),
        payload={"text": doc["text"], "source": doc["source"]}
    )
    for doc in documents
]
client.upsert(collection_name="knowledge_base", points=points)

# RAG 检索
def retrieve(query: str, top_k: int = 5) -> list[dict]:
    query_vector = encoder.encode(query).tolist()
    results = client.search(
        collection_name="knowledge_base",
        query_vector=query_vector,
        limit=top_k
    )
    return [{"text": r.payload["text"], "score": r.score} for r in results]

# 在 RAG 流水线中使用
context = retrieve("What is Python?")
prompt = f"Context: {context}\n\nQuestion: What is Python?"

与 LangChain 集成

from langchain_community.vectorstores import Qdrant
from langchain_community.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vectorstore = Qdrant.from_documents(documents, embeddings, url="http://localhost:6333", collection_name="docs")
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

与 LlamaIndex 集成

from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.core import VectorStoreIndex, StorageContext

vector_store = QdrantVectorStore(client=client, collection_name="llama_docs")
storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents, storage_context=storage_context)
query_engine = index.as_query_engine()

多向量支持

命名向量（不同 embedding 模型）

from qdrant_client.models import VectorParams, Distance

# 包含多种向量类型的集合
client.create_collection(
    collection_name="hybrid_search",
    vectors_config={
        "dense": VectorParams(size=384, distance=Distance.COSINE),
        "sparse": VectorParams(size=30000, distance=Distance.DOT)
    }
)

# 插入命名向量
client.upsert(
    collection_name="hybrid_search",
    points=[
        PointStruct(
            id=1,
            vector={
                "dense": dense_embedding,
                "sparse": sparse_embedding
            },
            payload={"text": "document text"}
        )
    ]
)

# 搜索指定向量
results = client.search(
    collection_name="hybrid_search",
    query_vector=("dense", query_dense),  # 指定使用哪个向量
    limit=10
)

稀疏向量（BM25、SPLADE）

from qdrant_client.models import SparseVectorParams, SparseIndexParams, SparseVector

# 包含稀疏向量的集合
client.create_collection(
    collection_name="sparse_search",
    vectors_config={},
    sparse_vectors_config={"text": SparseVectorParams(index=SparseIndexParams(on_disk=False))}
)

# 插入稀疏向量
client.upsert(
    collection_name="sparse_search",
    points=[PointStruct(id=1, vector={"text": SparseVector(indices=[1, 5, 100], values=[0.5, 0.8, 0.2])}, payload={"text": "document"})]
)

量化（内存优化）

from qdrant_client.models import ScalarQuantization, ScalarQuantizationConfig, ScalarType

# 标量量化（内存减少 4 倍）
client.create_collection(
    collection_name="quantized",
    vectors_config=VectorParams(size=384, distance=Distance.COSINE),
    quantization_config=ScalarQuantization(
        scalar=ScalarQuantizationConfig(
            type=ScalarType.INT8,
            quantile=0.99,        # 裁剪异常值
            always_ram=True      # 将量化数据保留在 RAM 中
        )
    )
)

# 带重新评分的搜索
results = client.search(
    collection_name="quantized",
    query_vector=query,
    search_params={"quantization": {"rescore": True}},  # 对 top 结果重新评分
    limit=10
)

Payload 索引

from qdrant_client.models import PayloadSchemaType

# 创建 payload 索引以加速过滤
client.create_payload_index(
    collection_name="documents",
    field_name="category",
    field_schema=PayloadSchemaType.KEYWORD
)

client.create_payload_index(
    collection_name="documents",
    field_name="timestamp",
    field_schema=PayloadSchemaType.INTEGER
)

# 索引类型：KEYWORD、INTEGER、FLOAT、GEO、TEXT（全文）、BOOL

生产部署

Qdrant Cloud

from qdrant_client import QdrantClient

# 连接到 Qdrant Cloud
client = QdrantClient(
    url="https://your-cluster.cloud.qdrant.io",
    api_key="your-api-key"
)

性能调优

# 优化搜索速度（更高召回率）
client.update_collection(
    collection_name="documents",
    hnsw_config=HnswConfigDiff(ef_construct=200, m=32)
)

# 优化索引速度（批量加载）
client.update_collection(
    collection_name="documents",
    optimizer_config={"indexing_threshold": 20000}
)

最佳实践

批量操作 — 使用批量 upsert/search 提升效率
Payload 索引 — 对过滤中使用的字段建立索引
量化 — 对大型集合（>100 万向量）启用量化
分片 — 对超过 1000 万向量的集合使用分片
磁盘存储 — 对大型 payload 启用 on_disk_payload
连接池 — 复用客户端实例

常见问题

带过滤的搜索速度慢：

# 为过滤字段创建 payload 索引
client.create_payload_index(
    collection_name="docs",
    field_name="category",
    field_schema=PayloadSchemaType.KEYWORD
)

内存不足：

# 启用量化和磁盘存储
client.create_collection(
    collection_name="large_collection",
    vectors_config=VectorParams(size=384, distance=Distance.COSINE),
    quantization_config=ScalarQuantization(...),
    on_disk_payload=True
)

连接问题：

# 使用超时和重试
client = QdrantClient(
    host="localhost",
    port=6333,
    timeout=30,
    prefer_grpc=True  # gRPC 性能更佳
)

参考资料

高级用法 — 分布式模式、混合搜索、推荐系统
故障排查 — 常见问题、调试、性能调优

资源

GitHub：https://github.com/qdrant/qdrant（22k+ stars）
文档：https://qdrant.tech/documentation/
Python 客户端：https://github.com/qdrant/qdrant-client
Cloud：https://cloud.qdrant.io
版本：1.12.0+
许可证：Apache 2.0

Skill 元数据​

参考：完整 SKILL.md​

Qdrant - 向量相似度搜索引擎

何时使用 Qdrant​

快速开始​

安装​

基本用法​

核心概念​

Points（点）— 基本数据单元​

Collections（集合）— 向量容器​

距离度量​

搜索操作​

基本搜索​

带过滤的搜索​

批量搜索​

RAG 集成​

与 sentence-transformers 集成​

与 LangChain 集成​

与 LlamaIndex 集成​

多向量支持​

命名向量（不同 embedding 模型）​

稀疏向量（BM25、SPLADE）​

量化（内存优化）​

Payload 索引​

生产部署​

Qdrant Cloud​

性能调优​

最佳实践​

常见问题​

参考资料​

资源​