> ## Documentation Index
> Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Qdrant 集成

> 使用 LangChain Python 与 Qdrant 集成。

> [Qdrant](https://qdrant.tech/documentation/)（读作：quadrant）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。`Qdrant` 专为扩展过滤支持而量身定制。

## 安装与设置

安装 Python 合作伙伴包：

<CodeGroup>
  ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  pip install langchain-qdrant
  ```

  ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  uv add langchain-qdrant
  ```
</CodeGroup>

## 嵌入模型

### FastEmbedSparse

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_qdrant import FastEmbedSparse
```

### SparseEmbeddings

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_qdrant import SparseEmbeddings
```

## 向量存储

存在一个围绕 `Qdrant` 索引的包装器，允许您将其用作向量存储，
无论是用于语义搜索还是示例选择。

要导入此向量存储：

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
from langchain_qdrant import QdrantVectorStore
```

有关 Qdrant 包装器的更详细演练，请参阅[此笔记本](/oss/python/integrations/vectorstores/qdrant)

***

<div className="source-links">
  <Callout icon="terminal-2">
    [将这些文档连接](/use-these-docs)到 Claude、VSCode 等，通过 MCP 获取实时答案。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/python/integrations/providers/qdrant.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>