🗂️ Qdrant 向量数据库

向量数据库是 RAG 的地基。大模型无法直接理解文字——所有语义都会经过嵌入模型压缩成一串数字向量，Qdrant 就是专门高效储存和检索这些向量的数据库。

📚 阶段三：大模型前沿🛠 工具链⏱ 阅读约 8 分钟

🔢 向量数据库是什么？

传统数据库存精确值（name="张三"），向量数据库存高维数值向量。

对比	传统数据库	向量数据库
匹配方式	精准字面匹配	语义相似度匹配
查询"好吃的苹果"	只找到含"苹果"的记录	能找到"美味的水果"
核心算法	B-Tree 索引	近似最近邻（ANN）
常用度量	=/LIKE	余弦相似度 / 欧氏距离

⭐ Qdrant 核心特性

🏗️ 核心概念

概念	对应	说明
Collection	表	一组向量集合 = 一个知识库
Point	行	一个向量 + payload
Payload	JSON	元数据：来源、时间、标签
Vector	数组	float32 向量

🔄 工作流程 + 代码

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, PointStruct
from sentence_transformers import SentenceTransformer

client = QdrantClient(host="localhost", port=6333)
client.create_collection("my_kb", vectors_config=VectorParams(
    size=768, distance=Distance.COSINE
))

model = SentenceTransformer('BAAI/bge-small-zh-v1.5')
docs = ["公司营收50亿", "张三任CEO", "总部北京"]
vectors = model.encode(docs)

client.upsert("my_kb", [
    PointStruct(id=i, vector=v.tolist(),
                payload={"text": d})
    for i, (v, d) in enumerate(zip(vectors, docs))
])

# 检索
query = "公司赚了多少钱？"
results = client.search("my_kb",
    query_vector=model.encode(query).tolist(), limit=3)
for r in results:
    print(f"相似度:{r.score:.3f} | {r.payload['text']}")
# 相似度:0.921 | 公司营收50亿 ✅

🎯 适用场景

🏠 本地知识库	私有化部署，数据不出门
📄 企业文档问答	员工手册、制度文档智能检索
🖼️ 图文内容比对	图片向量化后语义检索
🤖 智能客服	基于知识库的精准回答