qdrant
v1.12.4
Vektorsuchmaschine für die nächste Generation von KI-Anwendungen
Qdrant (sprich: Quadrant ) ist eine Vektorähnlichkeitssuchmaschine und Vektordatenbank. Es bietet einen produktionsbereiten Dienst mit einer praktischen API zum Speichern, Suchen und Verwalten von Punkten – Vektoren mit einer zusätzlichen Nutzlast. Qdrant ist auf erweiterte Filterunterstützung zugeschnitten. Dadurch ist es für alle Arten von neuronalen Netzwerken oder semantikbasierten Matchings, Facettensuchen und anderen Anwendungen nützlich.
Qdrant ist in Rust geschrieben, was es auch unter hoher Last schnell und zuverlässig macht. Siehe Benchmarks.
Mit Qdrant können Einbettungen oder Encoder für neuronale Netzwerke in vollwertige Anwendungen zum Abgleichen, Suchen, Empfehlen und vielem mehr umgewandelt werden!
Qdrant ist auch als vollständig verwaltete Qdrant Cloud ⛅ inklusive einer kostenlosen Stufe verfügbar.
Schnellstart • Kundenbibliotheken • Demoprojekte • Integrationen • Kontakt
pip install qdrant-client
Der Python-Client bietet eine bequeme Möglichkeit, Qdrant lokal zu starten:
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 prototypingUm die volle Leistung von Qdrant lokal zu nutzen, führen Sie den Container mit diesem Befehl aus:
docker run -p 6333:6333 qdrant/qdrantJetzt können Sie mit jedem Client, einschließlich Python, eine Verbindung dazu herstellen:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceBevor Sie Qdrant in der Produktion bereitstellen, lesen Sie unbedingt unsere Installations- und Sicherheitshandbücher.
Qdrant bietet die folgenden Client-Bibliotheken, die Ihnen die einfache Integration in Ihren Anwendungsstapel erleichtern:
Nutzen Sie mit Qdrant das Potenzial semantischer Einbettungen und gehen Sie über die schlüsselwortbasierte Suche hinaus, um sinnvolle Zusammenhänge in kurzen Texten zu finden. Führen Sie mithilfe eines vorab trainierten neuronalen Netzwerks in wenigen Minuten eine neuronale Suche durch und erleben Sie die Zukunft der Textsuche. Probieren Sie es online aus!
Es gibt mehr zu entdecken als nur eine Textsuche, insbesondere wenn es um Lebensmittel geht. Menschen wählen Mahlzeiten oft nach ihrem Aussehen und nicht nach Beschreibungen und Zutaten aus. Lassen Sie Qdrant Ihren Benutzern mithilfe der visuellen Suche dabei helfen, ihre nächste köstliche Mahlzeit zu finden, auch wenn sie den Namen des Gerichts nicht kennen. Hör zu!
Betreten Sie den hochmodernen Bereich der extremen Klassifizierung, einem aufstrebenden Bereich des maschinellen Lernens, der Probleme mit mehreren Klassen und mehreren Etiketten mit Millionen von Etiketten löst. Nutzen Sie das Potenzial von Ähnlichkeitslernmodellen und erfahren Sie, wie ein vorab trainiertes Transformatormodell und Qdrant die Kategorisierung von E-Commerce-Produkten revolutionieren können. Spielen Sie online damit!
| Semantische Textsuche | Ähnliche Bildsuche | Empfehlungen |
| Chat-Bots | Passende Motoren | Anomalieerkennung |
Die Online-Dokumentation zu OpenAPI 3.0 finden Sie hier. OpenAPI macht es einfach, einen Client für praktisch jedes Framework oder jede Programmiersprache zu generieren.
Sie können auch rohe OpenAPI-Definitionen herunterladen.
Für schnellere Suchvorgänge auf Produktionsebene bietet Qdrant auch eine gRPC-Schnittstelle. Die gRPC-Dokumentation finden Sie hier.
Qdrant kann beliebige JSON-Nutzlasten an Vektoren anhängen und so sowohl die Speicherung als auch das Filtern von Daten basierend auf den Werten in diesen Nutzlasten ermöglichen. Payload unterstützt eine Vielzahl von Datentypen und Abfragebedingungen, einschließlich Schlüsselwortabgleich, Volltextfilterung, numerische Bereiche, geografische Standorte und mehr.
Filterbedingungen können auf verschiedene Weise kombiniert werden, einschließlich der Klauseln should , must “ und must_not , um sicherzustellen, dass Sie zusätzlich zum Ähnlichkeitsabgleich jede gewünschte Geschäftslogik implementieren können.
Um die Einschränkungen von Vektoreinbettungen bei der Suche nach bestimmten Schlüsselwörtern zu beseitigen, führt Qdrant zusätzlich zu den regulären dichten Vektoren die Unterstützung dünn besetzter Vektoren ein.
Sparse-Vektoren können als Verallgemeinerung des BM25- oder TF-IDF-Rankings angesehen werden. Sie ermöglichen es Ihnen, die Fähigkeiten transformatorbasierter neuronaler Netze zu nutzen, um einzelne Token effektiv zu gewichten.
Qdrant bietet mehrere Optionen, um die Vektorsuche kostengünstiger und ressourcenschonender zu gestalten. Die integrierte Vektorquantisierung reduziert die RAM-Nutzung um bis zu 97 % und verwaltet dynamisch den Kompromiss zwischen Suchgeschwindigkeit und Präzision.
Qdrant bietet umfassende horizontale Skalierungsunterstützung durch zwei Schlüsselmechanismen:
io_uring , um die Auslastung des Festplattendurchsatzes selbst auf einem an das Netzwerk angeschlossenen Speicher zu maximieren.Beispiele und/oder Dokumentation von Qdrant-Integrationen:
Qdrant ist unter der Apache-Lizenz, Version 2.0, lizenziert. Sehen Sie sich eine Kopie der Lizenzdatei an.
