QdrantVectorStore 集成

使用 LangChain JavaScript 集成 QdrantVectorStore。

兼容性: 仅适用于 Node.js。

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 来存储、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 的概述。有关所有 QdrantVectorStore 功能和配置的详细文档，请访问 API 参考。

概述

集成细节

类	包	PY 支持	下载量	版本
QdrantVectorStore	@langchain/qdrant	✅

设置

要使用 Qdrant 向量存储，设置一个 Qdrant 实例并安装 @langchain/qdrant 和 @langchain/core。@langchain/qdrant 包含了 Qdrant REST 客户端（@qdrant/js-client-rest）。

本指南使用 OpenAI 嵌入 作为示例。您可以使用 其他支持的嵌入模型 代替。

npm

npm install @langchain/qdrant @langchain/core @langchain/openai

安装完所需依赖后，按照 Qdrant 设置说明 在您的计算机上使用 Docker 运行一个 Qdrant 实例。记下您的容器运行的 URL。

凭证

设置一个 QDRANT_URL 环境变量：

// e.g. http://localhost:6333
process.env.QDRANT_URL = "your-qdrant-url"

如果您在本指南中使用 OpenAI 嵌入，请设置您的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您想自动跟踪您的模型调用，您也可以通过取消注释以下内容来设置您的 LangSmith API 密钥：

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="your-api-key"

实例化

import { QdrantVectorStore } from "@langchain/qdrant";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = await QdrantVectorStore.fromExistingCollection(embeddings, {
  url: process.env.QDRANT_URL,
  collectionName: "langchainjs-testing",
});

管理向量存储

向向量存储添加项

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "The powerhouse of the cell is the mitochondria",
  metadata: { source: "https://example.com" }
};

const document2: Document = {
  pageContent: "Buildings are made out of brick",
  metadata: { source: "https://example.com" }
};

const document3: Document = {
  pageContent: "Mitochondria are made out of lipids",
  metadata: { source: "https://example.com" }
};

const document4: Document = {
  pageContent: "The 2024 Olympics are in Paris",
  metadata: { source: "https://example.com" }
}

const documents = [document1, document2, document3, document4];

await vectorStore.addDocuments(documents);

目前不支持顶层文档 ID 和删除。

查询向量存储

一旦您的向量存储创建完成，并且相关文档已添加，您很可能希望在您的链或智能体运行期间查询它。

直接查询

执行简单的相似性搜索可以按以下方式完成：

const filter = {
  "must": [
      { "key": "metadata.source", "match": { "value": "https://example.com" } },
  ]
};

const similaritySearchResults = await vectorStore.similaritySearch("biology", 2, filter);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* Mitochondria are made out of lipids [{"source":"https://example.com"}]

有关 Qdrant 过滤语法的更多信息，请参阅 此页面。请注意，所有值都必须以 metadata. 开头。

如果您想执行相似性搜索并接收相应的分数，可以运行：

const similaritySearchWithScoreResults = await vectorStore.similaritySearchWithScore("biology", 2, filter)

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(`* [SIM=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(doc.metadata)}]`);
}

* [SIM=0.165] The powerhouse of the cell is the mitochondria [{"source":"https://example.com"}]
* [SIM=0.148] Mitochondria are made out of lipids [{"source":"https://example.com"}]

将其转换为检索器

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。

const retriever = vectorStore.asRetriever({
  // Optional filter
  filter: filter,
  k: 2,
});
await retriever.invoke("biology");

[
  Document {
    pageContent: 'The powerhouse of the cell is the mitochondria',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: 'Mitochondria are made out of lipids',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成

有关如何使用此向量存储进行检索增强生成（RAG）的指南，请参阅以下部分：

• 使用 LangChain 构建 RAG 应用。
• 智能体 RAG
• 检索文档

---

API 参考

有关所有 QdrantVectorStore 功能和配置的详细文档，请访问 API 参考。

---

官方原文：src/oss/javascript/integrations/vectorstores/qdrant.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。