qdrant

用于下一代人工智能应用的矢量搜索引擎

Qdrant （读：象限）是一个矢量相似性搜索引擎和矢量数据库。它提供了一个生产就绪的服务，带有一个方便的 API 来存储、搜索和管理带有额外负载的点向量 Qdrant 是为扩展过滤支持而定制的。它对于各种神经网络或基于语义的匹配、分面搜索和其他应用都很有用。

Qdrant 是用 Rust 编写的，即使在高负载下也能快速可靠。查看基准。

借助 Qdrant，嵌入或神经网络编码器可以转变为成熟的应用程序，用于匹配、搜索、推荐等！

Qdrant 还可以作为完全托管的Qdrant Cloud ⛅ 提供，包括免费套餐。

快速入门 • 客户端库 • 演示项目 • 集成 • 联系信息

入门

Python

 pip install qdrant-client

python 客户端提供了一种在本地启动 Qdrant 的便捷方法：

 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 prototyping

客户端-服务器

要在本地体验 Qdrant 的全部功能，请使用以下命令运行容器：

docker run -p 6333:6333 qdrant/qdrant

现在您可以使用任何客户端（包括 Python）连接到此：

 qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instance

在将 Qdrant 部署到生产环境之前，请务必阅读我们的安装和安全指南。

客户

Qdrant 提供以下客户端库，帮助您轻松将其集成到应用程序堆栈中：

• 官方的：
  • 去客户端
  • Rust 客户端
  • JavaScript/TypeScript 客户端
  • Python客户端
  • .NET/C# 客户端
  • Java客户端
• 社区：
  • 灵丹妙药
  • PHP
  • 红宝石
  • 爪哇

我该去哪里？

• 快速入门指南
• 使用 SentenceBERT 和 Qdrant 进行端到端 Colab Notebook 演示
• 详细的文档是很好的起点
• 使用 Qdrant 创建您的第一个神经网络项目的分步教程

演示项目

发现语义文本搜索？

使用 Qdrant 释放语义嵌入的强大功能，超越基于关键字的搜索，在短文本中找到有意义的联系。使用预先训练的神经网络在几分钟内部署神经搜索，并体验文本搜索的未来。在线尝试一下！

探索类似图像搜索 - 食物发现？

发现不仅仅是文本搜索，尤其是在食物方面。人们通常根据外观而不是描述和成分来选择膳食。让 Qdrant 帮助您的用户使用视觉搜索找到下一顿美味佳肴，即使他们不知道菜肴的名称。一探究竟！

掌握极限分类——电商产品分类

进入极端分类的前沿领域，这是一个新兴的机器学习领域，可解决具有数百万个标签的多类和多标签问题。利用相似性学习模型的潜力，了解预先训练的 Transformer 模型和 Qdrant 如何彻底改变电子商务产品分类。在线玩它！

更多解决方案

语义文本搜索	相似图片搜索	建议

聊天机器人	匹配引擎	异常检测

应用程序编程接口

休息

在线 OpenAPI 3.0 文档可在此处获取。 OpenAPI 可以轻松地为几乎任何框架或编程语言生成客户端。

您还可以下载原始 OpenAPI 定义。

远程过程调用

为了更快地进行生产层搜索，Qdrant 还提供了 gRPC 接口。您可以在此处找到 gRPC 文档。

特征

过滤和有效负载

Qdrant 可以将任何 JSON 有效负载附加到向量，从而允许根据这些有效负载中的值存储和过滤数据。 Payload支持多种数据类型和查询条件，包括关键字匹配、全文过滤、数值范围、地理位置等。

过滤条件可以通过多种方式组合，包括should 、 must和must_not子句，确保您可以在相似性匹配的基础上实现任何所需的业务逻辑。

稀疏向量的混合搜索

为了解决搜索特定关键字时向量嵌入的局限性，除了常规的密集向量之外，Qdrant 还引入了对稀疏向量的支持。

稀疏向量可以被视为 BM25 或 TF-IDF 排序的推广。它们使您能够利用基于变压器的神经网络的功能来有效地权衡各个令牌。

矢量量化和磁盘存储

Qdrant 提供了多种选项，使矢量搜索更便宜、更高效。内置矢量量化可将 RAM 使用量减少高达 97%，并动态管理搜索速度和精度之间的权衡。

分布式部署

Qdrant 通过两个关键机制提供全面的水平扩展支持：

1. 通过分片扩大规模，通过复制提高吞吐量
2. 集合的零停机滚动更新和无缝动态扩展

突出特点

• 查询规划和有效负载索引- 利用存储的有效负载信息来优化查询执行策略。
• SIMD 硬件加速- 利用现代 CPU x86-x64 和 Neon 架构来提供更好的性能。
• 异步 I/O - 使用io_uring最大限度地提高磁盘吞吐量利用率，即使在网络连接存储上也是如此。
• 预写式日志记录- 即使在断电期间，也可通过更新确认确保数据持久性。

集成

Qdrant 集成的示例和/或文档：

• Cohere（关于使用 Cohere 和 Qdrant 构建 QA 应用程序的博客文章）- 将 Cohere 嵌入与 Qdrant 结合使用
• DocArray - 使用 Qdrant 作为 DocArray 中的文档存储
• Haystack - 使用 Qdrant 作为 Haystack 的文档存储（博客文章）。
• LangChain（博客文章） - 使用 Qdrant 作为 LangChain 的内存后端。
• LlamaIndex - 使用 Qdrant 作为带有 LlamaIndex 的矢量存储.
• OpenAI - ChatGPT 检索插件 - 使用 Qdrant 作为 ChatGPT 的内存后端
• Microsoft Semantic Kernel - 使用 Qdrant 作为 Semantic Kernel 的持久内存

联系方式

• 有疑问吗？加入我们的 Discord 频道或在 Twitter 上提及@qdrant_engine
• 想要了解最新版本吗？订阅我们的时事通讯
• 正在寻找托管云？检查定价，需要个性化的东西吗？我们的邮箱是 [email protected]

执照

Qdrant 根据 Apache 许可证 2.0 版获得许可。查看许可证文件的副本。