跳到主要内容

Qdrant

DeepSeek V3 中英对照 Qdrant

本节将引导您设置 Qdrant VectorStore，以便存储文档嵌入并执行相似性搜索。

Qdrant 是一个开源的高性能向量搜索引擎/数据库。它使用 HNSW（Hierarchical Navigable Small World）算法来实现高效的 k-NN 搜索操作，并为基于元数据的查询提供了高级过滤功能。

先决条件​

  • Qdrant 实例：按照 Qdrant 文档中的安装指南设置一个 Qdrant 实例。

  • 如果需要，为 EmbeddingModel 生成一个 API 密钥，用于生成由 QdrantVectorStore 存储的嵌入向量。

备注

建议预先创建 Qdrant 集合，并设置适当的维度和配置。如果集合未创建，QdrantVectorStore 将尝试使用 Cosine 相似度和配置的 EmbeddingModel 的维度来创建一个集合。

自动配置​

Spring AI 为 Qdrant 向量存储提供了 Spring Boot 自动配置。要启用它，请将以下依赖项添加到项目的 Maven pom.xml 文件中：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-qdrant-store-spring-boot-starter</artifactId>
</dependency>
xml

或者到你的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-qdrant-store-spring-boot-starter'
}
groovy
提示

请参考 依赖管理 部分，将 Spring AI BOM 添加到你的构建文件中。

请查看配置参数列表，了解向量存储的默认值和配置选项。

提示

请参考 Repositories 部分，将 Maven Central 和/或 Snapshot Repositories 添加到你的构建文件中。

向量存储实现可以为您初始化所需的模式，但您必须通过在构建器中指定 initializeSchema 布尔值或在 application.properties 文件中设置 …​initialize-schema=true 来选择启用。

备注

这是一个重大变更！在早期版本的 Spring AI 中，此模式初始化是默认发生的。

此外，你还需要一个配置好的 EmbeddingModel bean。更多信息请参考 EmbeddingModel 部分。

现在你可以在应用程序中自动装配 QdrantVectorStore 作为向量存储。

@Autowired VectorStore vectorStore;

// ...

List<Document> documents = List.of(
    new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", Map.of("meta1", "meta1")),
    new Document("The World is Big and Salvation Lurks Around the Corner"),
    new Document("You walk forward facing the past and you turn back toward the future.", Map.of("meta2", "meta2")));

// Add the documents to Qdrant
vectorStore.add(documents);

// Retrieve documents similar to a query
List<Document> results = vectorStore.similaritySearch(SearchRequest.builder().query("Spring").topK(5).build());
java

配置属性​

要连接到 Qdrant 并使用 QdrantVectorStore，你需要提供实例的访问详细信息。可以通过 Spring Boot 的 application.yml 提供一个简单的配置：

spring:
  ai:
    vectorstore:
      qdrant:
        host: <qdrant host>
        port: <qdrant grpc port>
        api-key: <qdrant api key>
        collection-name: <collection name>
        use-tls: false
        initialize-schema: true
        batching-strategy: TOKEN_COUNT # Optional: Controls how documents are batched for embedding
yaml

以 spring.ai.vectorstore.qdrant.* 开头的属性用于配置 QdrantVectorStore：

属性描述默认值
spring.ai.vectorstore.qdrant.hostQdrant 服务器的主机地址localhost
spring.ai.vectorstore.qdrant.portQdrant 服务器的 gRPC 端口6334
spring.ai.vectorstore.qdrant.api-key用于身份验证的 API 密钥-
spring.ai.vectorstore.qdrant.collection-name使用的集合名称vector_store
spring.ai.vectorstore.qdrant.use-tls是否使用 TLS(HTTPS)false
spring.ai.vectorstore.qdrant.initialize-schema是否初始化 schemafalse
spring.ai.vectorstore.qdrant.batching-strategy计算嵌入时文档批处理的策略。选项为 TOKEN_COUNT 或 FIXED_SIZETOKEN_COUNT

手动配置​

你可以手动配置 Qdrant 向量存储，而不是使用 Spring Boot 的自动配置。为此，你需要在项目中添加 spring-ai-qdrant-store 依赖：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-qdrant-store</artifactId>
</dependency>
xml

或者到你的 Gradle build.gradle 构建文件中。

dependencies {
    implementation 'org.springframework.ai:spring-ai-qdrant-store'
}
groovy
提示

请参考依赖管理部分，将 Spring AI BOM 添加到你的构建文件中。

创建一个 Qdrant 客户端 bean：

@Bean
public QdrantClient qdrantClient() {
    QdrantGrpcClient.Builder grpcClientBuilder =
        QdrantGrpcClient.newBuilder(
            "<QDRANT_HOSTNAME>",
            <QDRANT_GRPC_PORT>,
            <IS_TLS>);
    grpcClientBuilder.withApiKey("<QDRANT_API_KEY>");

    return new QdrantClient(grpcClientBuilder.build());
}
java

然后使用构建器模式创建 QdrantVectorStore bean：

@Bean
public VectorStore vectorStore(QdrantClient qdrantClient, EmbeddingModel embeddingModel) {
    return QdrantVectorStore.builder(qdrantClient, embeddingModel)
        .collectionName("custom-collection")     // Optional: defaults to "vector_store"
        .initializeSchema(true)                  // Optional: defaults to false
        .batchingStrategy(new TokenCountBatchingStrategy()) // Optional: defaults to TokenCountBatchingStrategy
        .build();
}

// This can be any EmbeddingModel implementation
@Bean
public EmbeddingModel embeddingModel() {
    return new OpenAiEmbeddingModel(new OpenAiApi(System.getenv("OPENAI_API_KEY")));
}
java

元数据过滤​

你可以利用通用的、可移植的元数据过滤器与 Qdrant 存储一起使用。

例如，你可以使用文本表达式语言：

vectorStore.similaritySearch(
    SearchRequest.builder()
        .query("The World")
        .topK(TOP_K)
        .similarityThreshold(SIMILARITY_THRESHOLD)
        .filterExpression("author in ['john', 'jill'] && article_type == 'blog'").build());
java

或者通过编程方式使用 Filter.Expression DSL：

FilterExpressionBuilder b = new FilterExpressionBuilder();

vectorStore.similaritySearch(SearchRequest.builder()
    .query("The World")
    .topK(TOP_K)
    .similarityThreshold(SIMILARITY_THRESHOLD)
    .filterExpression(b.and(
        b.in("author", "john", "jill"),
        b.eq("article_type", "blog")).build()).build());
java
备注

这些（可移植的）过滤表达式会自动转换为 Qdrant 专有的过滤表达式。

访问原生客户端​

Qdrant 向量存储实现通过 getNativeClient() 方法提供了对底层原生 Qdrant 客户端（QdrantClient）的访问：

QdrantVectorStore vectorStore = context.getBean(QdrantVectorStore.class);
Optional<QdrantClient> nativeClient = vectorStore.getNativeClient();

if (nativeClient.isPresent()) {
    QdrantClient client = nativeClient.get();
    // Use the native client for Qdrant-specific operations
}
java

原生客户端让您能够访问可能未通过 VectorStore 接口暴露的 Qdrant 特定功能和操作。