qdrant
v1.12.4
Vector Search Engine para la próxima generación de aplicaciones de IA
Qdrant (léase: cuadrante ) es un motor de búsqueda de similitudes de vectores y una base de datos de vectores. Proporciona un servicio listo para producción con una API conveniente para almacenar, buscar y administrar puntos: vectores con una carga útil adicional. Qdrant está diseñado para brindar soporte de filtrado extendido. Lo hace útil para todo tipo de coincidencias basadas en redes neuronales o semánticas, búsquedas por facetas y otras aplicaciones.
Qdrant está escrito en Rust?, lo que lo hace rápido y confiable incluso bajo cargas elevadas. Ver puntos de referencia.
¡Con Qdrant, las incorporaciones o codificadores de redes neuronales se pueden convertir en aplicaciones completas para comparar, buscar, recomendar y mucho más!
Qdrant también está disponible como Qdrant Cloud ⛅ totalmente administrado, incluido un nivel gratuito .
Inicio rápido • Bibliotecas de clientes • Proyectos de demostración • Integraciones • Contacto
pip install qdrant-client
El cliente Python ofrece una manera conveniente de comenzar con Qdrant localmente:
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 prototypingPara experimentar todo el poder de Qdrant localmente, ejecute el contenedor con este comando:
docker run -p 6333:6333 qdrant/qdrantAhora puedes conectarte a esto con cualquier cliente, incluido Python:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceAntes de implementar Qdrant en producción, asegúrese de leer nuestras guías de instalación y seguridad.
Qdrant ofrece las siguientes bibliotecas cliente para ayudarle a integrarlo en su pila de aplicaciones con facilidad:
Desbloquee el poder de las incrustaciones semánticas con Qdrant, trascendiendo la búsqueda basada en palabras clave para encontrar conexiones significativas en textos breves. Implemente una búsqueda neuronal en minutos utilizando una red neuronal previamente entrenada y experimente el futuro de la búsqueda de texto. ¡Pruébalo en línea!
El descubrimiento implica mucho más que la búsqueda de texto, especialmente cuando se trata de comida. La gente suele elegir las comidas basándose en la apariencia más que en sus descripciones e ingredientes. Deje que Qdrant ayude a sus usuarios a encontrar su próxima comida deliciosa mediante la búsqueda visual, incluso si no saben el nombre del plato. ¡Échale un vistazo!
Ingrese al ámbito de vanguardia de la clasificación extrema, un campo emergente de aprendizaje automático que aborda problemas de múltiples clases y múltiples etiquetas con millones de etiquetas. Aproveche el potencial de los modelos de aprendizaje de similitudes y vea cómo un modelo transformador previamente entrenado y Qdrant pueden revolucionar la categorización de productos de comercio electrónico. ¡Juega con él en línea!
| Búsqueda de texto semántico | Búsqueda de imágenes similares | Recomendaciones |
| Bots de chat | Motores coincidentes | Detección de anomalías |
La documentación en línea de OpenAPI 3.0 está disponible aquí. OpenAPI facilita la generación de un cliente para prácticamente cualquier marco o lenguaje de programación.
También puede descargar definiciones de OpenAPI sin formato.
Para búsquedas más rápidas en el nivel de producción, Qdrant también proporciona una interfaz gRPC. Puede encontrar documentación de gRPC aquí.
Qdrant puede adjuntar cualquier carga útil JSON a vectores, lo que permite tanto el almacenamiento como el filtrado de datos en función de los valores de estas cargas útiles. La carga útil admite una amplia gama de tipos de datos y condiciones de consulta, incluida la concordancia de palabras clave, filtrado de texto completo, rangos numéricos, ubicaciones geográficas y más.
Las condiciones de filtrado se pueden combinar de varias maneras, incluidas las cláusulas should , must y must_not , lo que garantiza que se pueda implementar cualquier lógica empresarial deseada además de la coincidencia de similitudes.
Para abordar las limitaciones de las incrustaciones de vectores al buscar palabras clave específicas, Qdrant introduce soporte para vectores dispersos además de los densos regulares.
Los vectores dispersos pueden verse como una generalización de la clasificación BM25 o TF-IDF. Le permiten aprovechar las capacidades de las redes neuronales basadas en transformadores para pesar tokens individuales de manera efectiva.
Qdrant ofrece múltiples opciones para hacer que la búsqueda vectorial sea más económica y eficiente en el uso de recursos. La cuantificación vectorial incorporada reduce el uso de RAM hasta en un 97 % y gestiona dinámicamente el equilibrio entre velocidad de búsqueda y precisión.
Qdrant ofrece soporte integral de escalamiento horizontal a través de dos mecanismos clave:
io_uring para maximizar la utilización del rendimiento del disco incluso en un almacenamiento conectado a la red.Ejemplos y/o documentación de integraciones Qdrant:
Qdrant tiene la licencia Apache, versión 2.0. Ver una copia del archivo de licencia.
