qdrant
v1.12.4
Mesin Pencari Vektor untuk aplikasi AI generasi berikutnya
Qdrant (baca: quadrant ) adalah mesin pencari kesamaan vektor dan database vektor. Ini menyediakan layanan siap produksi dengan API yang nyaman untuk menyimpan, mencari, dan mengelola titik—vektor dengan muatan tambahan Qdrant disesuaikan dengan dukungan pemfilteran yang diperluas. Itu membuatnya berguna untuk semua jenis pencocokan berbasis jaringan saraf atau semantik, pencarian segi, dan aplikasi lainnya.
Qdrant ditulis dalam Rust?, yang membuatnya cepat dan andal bahkan di bawah beban tinggi. Lihat tolok ukur.
Dengan Qdrant, penyematan atau pembuat enkode jaringan saraf dapat diubah menjadi aplikasi lengkap untuk mencocokkan, mencari, merekomendasikan, dan banyak lagi!
Qdrant juga tersedia sebagai Qdrant Cloud yang dikelola sepenuhnya ⛅ termasuk tingkat gratis .
Mulai Cepat • Perpustakaan Klien • Proyek Demo • Integrasi • Kontak
pip install qdrant-client
Klien python menawarkan cara mudah untuk memulai dengan Qdrant secara lokal:
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 prototypingUntuk merasakan kekuatan penuh Qdrant secara lokal, jalankan container dengan perintah ini:
docker run -p 6333:6333 qdrant/qdrantSekarang Anda dapat menghubungkannya dengan klien mana pun, termasuk Python:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceSebelum menerapkan Qdrant ke produksi, pastikan untuk membaca panduan instalasi dan keamanan kami.
Qdrant menawarkan pustaka klien berikut untuk membantu Anda mengintegrasikannya ke dalam tumpukan aplikasi Anda dengan mudah:
Buka kekuatan penyematan semantik dengan Qdrant, melampaui pencarian berbasis kata kunci untuk menemukan hubungan bermakna dalam teks pendek. Terapkan penelusuran saraf dalam hitungan menit menggunakan jaringan saraf terlatih, dan rasakan masa depan penelusuran teks. Cobalah secara online!
Ada lebih banyak hal yang bisa ditemukan daripada penelusuran teks, terutama jika menyangkut makanan. Orang sering memilih makanan berdasarkan tampilannya, bukan deskripsi dan bahannya. Izinkan Qdrant membantu pengguna Anda menemukan makanan lezat berikutnya menggunakan penelusuran visual, meskipun mereka tidak mengetahui nama hidangan tersebut. Coba lihat!
Masuki dunia klasifikasi ekstrem mutakhir, bidang pembelajaran mesin baru yang mengatasi masalah multikelas dan multilabel dengan jutaan label. Manfaatkan potensi model pembelajaran kesamaan, dan lihat bagaimana model transformator terlatih dan Qdrant dapat merevolusi kategorisasi produk e-commerce. Mainkan secara online!
| Pencarian Teks Semantik | Pencarian Gambar Serupa | Rekomendasi |
| Bot Obrolan | Mesin Pencocokan | Deteksi Anomali |
Dokumentasi OpenAPI 3.0 online tersedia di sini. OpenAPI memudahkan pembuatan klien untuk hampir semua kerangka kerja atau bahasa pemrograman.
Anda juga dapat mengunduh definisi OpenAPI mentah.
Untuk penelusuran tingkat produksi yang lebih cepat, Qdrant juga menyediakan antarmuka gRPC. Anda dapat menemukan dokumentasi gRPC di sini.
Qdrant dapat melampirkan payload JSON apa pun ke vektor, memungkinkan penyimpanan dan pemfilteran data berdasarkan nilai dalam payload ini. Payload mendukung berbagai tipe data dan kondisi kueri, termasuk pencocokan kata kunci, pemfilteran teks lengkap, rentang numerik, lokasi geografis, dan banyak lagi.
Kondisi pemfilteran dapat digabungkan dengan berbagai cara, termasuk klausa should , must , dan must_not , memastikan bahwa Anda dapat menerapkan logika bisnis apa pun yang diinginkan selain pencocokan kesamaan.
Untuk mengatasi keterbatasan penyematan vektor saat mencari kata kunci tertentu, Qdrant memperkenalkan dukungan untuk vektor renggang selain vektor padat biasa.
Vektor renggang dapat dilihat sebagai generalisasi peringkat BM25 atau TF-IDF. Mereka memungkinkan Anda memanfaatkan kemampuan jaringan saraf berbasis transformator untuk menimbang masing-masing token secara efektif.
Qdrant menyediakan banyak opsi untuk membuat pencarian vektor lebih murah dan hemat sumber daya. Kuantisasi vektor bawaan mengurangi penggunaan RAM hingga 97% dan secara dinamis mengelola keseimbangan antara kecepatan dan presisi pencarian.
Qdrant menawarkan dukungan penskalaan horizontal yang komprehensif melalui dua mekanisme utama:
io_uring untuk memaksimalkan pemanfaatan throughput disk bahkan pada penyimpanan yang terhubung ke jaringan.Contoh dan/atau dokumentasi integrasi Qdrant:
Qdrant dilisensikan di bawah Lisensi Apache, Versi 2.0. Lihat salinan file Lisensi.
