qdrant
v1.12.4
Vector Search Engine para a próxima geração de aplicativos de IA
Qdrant (leia-se: quadrante ) é um mecanismo de busca de similaridade vetorial e banco de dados vetorial. Ele fornece um serviço pronto para produção com uma API conveniente para armazenar, pesquisar e gerenciar pontos – vetores com uma carga útil adicional. O Qdrant é adaptado para suporte estendido de filtragem. Isso o torna útil para todos os tipos de redes neurais ou correspondência baseada em semântica, pesquisa facetada e outras aplicações.
Qdrant é escrito em Rust?, o que o torna rápido e confiável mesmo sob alta carga. Veja os benchmarks.
Com o Qdrant, embeddings ou codificadores de redes neurais podem ser transformados em aplicativos completos para correspondência, pesquisa, recomendação e muito mais!
Qdrant também está disponível como Qdrant Cloud ⛅ totalmente gerenciado, incluindo um nível gratuito .
Início rápido • Bibliotecas de cliente • Projetos de demonstração • Integrações • Contato
pip install qdrant-client
O cliente python oferece uma maneira conveniente de iniciar o 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 o poder do Qdrant localmente, execute o contêiner com este comando:
docker run -p 6333:6333 qdrant/qdrantAgora você pode se conectar a isso com qualquer cliente, incluindo Python:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceAntes de implantar o Qdrant em produção, leia nossos guias de instalação e segurança.
Qdrant oferece as seguintes bibliotecas de cliente para ajudá-lo a integrá-lo à sua pilha de aplicativos com facilidade:
Desbloqueie o poder das incorporações semânticas com o Qdrant, transcendendo a pesquisa baseada em palavras-chave para encontrar conexões significativas em textos curtos. Implante uma pesquisa neural em minutos usando uma rede neural pré-treinada e experimente o futuro da pesquisa de texto. Experimente on-line!
A descoberta envolve mais do que pesquisa de texto, especialmente quando se trata de comida. Muitas vezes as pessoas escolhem as refeições com base na aparência, e não nas descrições e ingredientes. Deixe o Qdrant ajudar seus usuários a encontrar a próxima refeição deliciosa usando a pesquisa visual, mesmo que não saibam o nome do prato. Confira!
Entre no reino de ponta da classificação extrema, um campo emergente de aprendizado de máquina que aborda problemas multiclasses e multirótulos com milhões de rótulos. Aproveite o potencial dos modelos de aprendizagem por similaridade e veja como um modelo de transformador pré-treinado e o Qdrant podem revolucionar a categorização de produtos de comércio eletrônico. Jogue online!
| Pesquisa de texto semântico | Pesquisa de imagens semelhantes | Recomendações |
| Bots de bate-papo | Mecanismos correspondentes | Detecção de anomalias |
A documentação on-line do OpenAPI 3.0 está disponível aqui. OpenAPI facilita a geração de um cliente para praticamente qualquer estrutura ou linguagem de programação.
Você também pode baixar definições OpenAPI brutas.
Para pesquisas mais rápidas no nível de produção, o Qdrant também fornece uma interface gRPC. Você pode encontrar a documentação do gRPC aqui.
Qdrant pode anexar qualquer carga JSON a vetores, permitindo o armazenamento e a filtragem de dados com base nos valores dessas cargas. Payload oferece suporte a uma ampla variedade de tipos de dados e condições de consulta, incluindo correspondência de palavras-chave, filtragem de texto completo, intervalos numéricos, localizações geográficas e muito mais.
As condições de filtragem podem ser combinadas de várias maneiras, incluindo as cláusulas should , must e must_not , garantindo que você possa implementar qualquer lógica de negócios desejada além da correspondência de similaridade.
Para resolver as limitações da incorporação de vetores ao pesquisar palavras-chave específicas, o Qdrant introduz suporte para vetores esparsos, além dos densos regulares.
Vetores esparsos podem ser vistos como uma generalização da classificação BM25 ou TF-IDF. Eles permitem que você aproveite os recursos das redes neurais baseadas em transformadores para pesar tokens individuais de maneira eficaz.
Qdrant oferece várias opções para tornar a pesquisa vetorial mais barata e mais eficiente em termos de recursos. A quantização vetorial integrada reduz o uso de RAM em até 97% e gerencia dinamicamente a compensação entre velocidade e precisão da pesquisa.
Qdrant oferece suporte abrangente de escalonamento horizontal por meio de dois mecanismos principais:
io_uring para maximizar a utilização da taxa de transferência do disco, mesmo em um armazenamento conectado à rede.Exemplos e/ou documentação de integrações Qdrant:
Qdrant é licenciado sob a Licença Apache, Versão 2.0. Veja uma cópia do arquivo de licença.
