Skip to main content
兼容性:仅在 Node.js 上可用。
Qdrant 是一个向量相似性搜索引擎。它提供了一个生产就绪的服务,具有便捷的 API,用于存储、搜索和管理点——带有附加负载的向量。 本指南提供了快速入门 Qdrant 向量存储 的概览。有关所有 QdrantVectorStore 功能和配置的详细文档,请参阅 API 参考

概述

集成详情

设置

要使用 Qdrant 向量存储,您需要设置一个 Qdrant 实例并安装 @langchain/qdrant 集成包。 本指南还将使用 OpenAI 嵌入,这需要您安装 @langchain/openai 集成包。如果您愿意,也可以使用其他支持的嵌入模型
安装所需的依赖项后,请按照 Qdrant 设置说明 使用 Docker 在您的计算机上运行一个 Qdrant 实例。记下您的容器运行的 URL。

凭证

完成此操作后,设置一个 QDRANT_URL 环境变量:
如果您在本指南中使用 OpenAI 嵌入,您还需要设置您的 OpenAI 密钥:
如果您想获得模型调用的自动跟踪,也可以通过取消注释以下内容来设置您的 LangSmith API 密钥:

实例化

管理向量存储

向向量存储添加项目

目前不支持顶级文档 ID 和删除。

查询向量存储

一旦您的向量存储已创建并且相关文档已添加,您很可能希望在链或代理运行期间对其进行查询。

直接查询

执行简单的相似性搜索可以按如下方式进行:
有关 Qdrant 过滤语法的更多信息,请参阅此页面。请注意,所有值必须以 metadata. 为前缀。 如果您想执行相似性搜索并接收相应的分数,可以运行:

通过转换为检索器进行查询

您还可以将向量存储转换为检索器,以便在您的链中更轻松地使用。

用于检索增强生成

有关如何将此向量存储用于检索增强生成 (RAG) 的指南,请参阅以下部分:

API 参考

有关所有 QdrantVectorStore 功能和配置的详细文档,请参阅 API 参考