qdrant-vector-search
High-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
High-performance vector similarity search engine for RAG and semantic search. Use when building production RAG systems requiring fast nearest neighbor search, hybrid search with filtering, or scalable vector storage with Rust-powered performance.
How to use
Zainstaluj klienta Pythona za pomocą polecenia pip install qdrant-client — to umożliwi komunikację z serwerem Qdrant z poziomu Twojego kodu.
Uruchom Qdrant w Dockerze poleceniem docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant — serwer będzie dostępny na porcie 6333 dla REST i 6334 dla gRPC. Dla trwałego przechowywania danych dodaj flagę -v $(pwd)/qdrant_storage:/qdrant/storage.
Zaimportuj QdrantClient w swoim skrypcie Pythona i połącz się z serwerem, podając adres hosta i port.
Utwórz kolekcję wektorów, definiując wymiar wektorów i metrykę podobieństwa (np. cosine similarity) — to będzie kontener dla Twoich danych.
Wstaw wektory wraz z metadanymi (payload) do kolekcji — każdy punkt może zawierać gęste wektory, rzadkie wektory lub oba jednocześnie.
Wykonaj wyszukiwanie hybrydowe, podając wektor zapytania i filtry na polach metadanych — Qdrant zwróci najbliższe sąsiedztwo z uwzględnieniem ograniczeń.