qdrant
v1.12.4
محرك بحث Vector للجيل القادم من تطبيقات الذكاء الاصطناعي
Qdrant (اقرأ: Quadrant ) هو محرك بحث لتشابه المتجهات وقاعدة بيانات المتجهات. فهو يوفر خدمة جاهزة للإنتاج مع واجهة برمجة تطبيقات ملائمة لتخزين النقاط والبحث فيها وإدارتها - حيث تم تصميم المتجهات ذات الحمولة الإضافية Qdrant لدعم التصفية الممتد. إنه يجعله مفيدًا لجميع أنواع الشبكات العصبية أو المطابقة القائمة على الدلالات والبحث متعدد الأوجه والتطبيقات الأخرى.
تمت كتابة Qdrant بلغة Rust ?، مما يجعلها سريعة وموثوقة حتى في ظل الأحمال العالية. انظر المعايير.
باستخدام Qdrant، يمكن تحويل التضمينات أو برامج تشفير الشبكة العصبية إلى تطبيقات كاملة للمطابقة والبحث والتوصية وغير ذلك الكثير!
Qdrant متاح أيضًا كسحابة Qdrant مُدارة بالكامل ⛅ بما في ذلك الطبقة المجانية .
البداية السريعة • مكتبات العملاء • المشاريع التجريبية • عمليات التكامل • الاتصال
pip install qdrant-client
يقدم عميل python طريقة ملائمة للبدء باستخدام Qdrant محليًا:
from qdrant_client import QdrantClient
qdrant = QdrantClient ( ":memory:" ) # Create in-memory Qdrant instance, for testing, CI/CD
# OR
client = QdrantClient ( path = "path/to/db" ) # Persists changes to disk, fast prototypingلتجربة القوة الكاملة لـ Qdrant محليًا، قم بتشغيل الحاوية باستخدام هذا الأمر:
docker run -p 6333:6333 qdrant/qdrantيمكنك الآن الاتصال بهذا مع أي عميل، بما في ذلك Python:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceقبل نشر Qdrant في مرحلة الإنتاج، تأكد من قراءة أدلة التثبيت والأمان الخاصة بنا.
تقدم Qdrant مكتبات العملاء التالية لمساعدتك على دمجها في حزمة التطبيقات الخاصة بك بسهولة:
أطلق العنان لقوة التضمين الدلالي باستخدام Qdrant، وتجاوز البحث القائم على الكلمات الرئيسية للعثور على روابط ذات معنى في النصوص القصيرة. انشر بحثًا عصبيًا في دقائق باستخدام شبكة عصبية مدربة مسبقًا، واستمتع بتجربة مستقبل البحث عن النص. جربه على الانترنت!
هناك ما هو أكثر من مجرد البحث عن النص للاكتشاف، خاصة عندما يتعلق الأمر بالطعام. غالبًا ما يختار الأشخاص وجبات الطعام بناءً على المظهر بدلاً من الوصف والمكونات. اسمح لـ Qdrant بمساعدة المستخدمين في العثور على وجبتهم اللذيذة التالية باستخدام البحث المرئي، حتى لو كانوا لا يعرفون اسم الطبق. تحقق من ذلك!
ادخل إلى عالم التصنيف الشديد المتطور، وهو مجال ناشئ للتعلم الآلي يعالج مشكلات متعددة الفئات ومتعددة التصنيفات بملايين التصنيفات. استغل إمكانات نماذج التعلم المتشابهة، واكتشف كيف يمكن لنموذج المحولات المدرب مسبقًا وQdrant أن يحدث ثورة في تصنيف منتجات التجارة الإلكترونية. العب بها عبر الإنترنت!
| البحث عن النص الدلالي | بحث الصور المشابهة | التوصيات |
| روبوتات الدردشة | محركات مطابقة | كشف الشذوذ |
تتوفر وثائق OpenAPI 3.0 عبر الإنترنت هنا. يجعل OpenAPI من السهل إنشاء عميل لأي إطار عمل أو لغة برمجة تقريبًا.
يمكنك أيضًا تنزيل تعريفات OpenAPI الأولية.
لإجراء عمليات بحث أسرع على مستوى الإنتاج، توفر Qdrant أيضًا واجهة gRPC. يمكنك العثور على وثائق gRPC هنا.
يمكن لـ Qdrant ربط أي حمولات JSON بالمتجهات، مما يسمح بتخزين البيانات وتصفيتها استنادًا إلى القيم الموجودة في هذه الحمولات. يدعم Payload نطاقًا واسعًا من أنواع البيانات وشروط الاستعلام، بما في ذلك مطابقة الكلمات الرئيسية وتصفية النص الكامل والنطاقات الرقمية والمواقع الجغرافية والمزيد.
يمكن دمج شروط التصفية بطرق مختلفة، بما في ذلك عبارات should و must و must_not ، مما يضمن أنه يمكنك تنفيذ أي منطق عمل مرغوب فيه بالإضافة إلى مطابقة التشابه.
لمعالجة القيود المفروضة على تضمينات المتجهات عند البحث عن كلمات رئيسية محددة، يقدم Qdrant دعمًا للمتجهات المتفرقة بالإضافة إلى المتجهات الكثيفة العادية.
يمكن النظر إلى المتجهات المتفرقة على أنها تعميم لتصنيف BM25 أو TF-IDF. إنها تمكنك من تسخير قدرات الشبكات العصبية القائمة على المحولات لوزن الرموز الفردية بشكل فعال.
يوفر Qdrant خيارات متعددة لجعل البحث عن المتجهات أرخص وأكثر كفاءة في استخدام الموارد. يقلل تكميم المتجهات المدمج من استخدام ذاكرة الوصول العشوائي (RAM) بنسبة تصل إلى 97% ويدير المفاضلة بين سرعة البحث والدقة ديناميكيًا.
تقدم Qdrant دعمًا شاملاً للقياس الأفقي من خلال آليتين رئيسيتين:
io_uring لزيادة الاستفادة من إنتاجية القرص حتى على وحدة تخزين متصلة بالشبكة.أمثلة و/أو وثائق تكاملات Qdrant:
Qdrant مرخص بموجب ترخيص Apache، الإصدار 2.0. عرض نسخة من ملف الترخيص.
