Qdrant 集成

使用 LangChain Python 与 Qdrant 向量存储集成。

Qdrant（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 来存储、搜索和管理带有附加负载和扩展过滤支持的向量。它适用于各种神经网络或基于语义的匹配、分面搜索和其他应用。

本文档演示了如何使用 LangChain 与 Qdrant 进行密集（即基于嵌入的）、稀疏（即文本搜索）和混合检索。QdrantVectorStore 类通过 Qdrant 的新 查询 API 支持多种检索模式。它要求您运行 Qdrant v1.10.0 或更高版本。

设置

运行 Qdrant 有多种模式，根据所选模式，会有一些细微差别。选项包括：

• 本地模式，无需服务器
• Docker 部署
• Qdrant 云

请参阅 Qdrant 安装说明。

pip install -qU langchain-qdrant

凭证

运行此笔记本中的代码不需要凭证。

如果您想获得最先进的模型调用自动跟踪，您也可以通过取消注释下方设置您的 LangSmith API 密钥：

os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

初始化

本地模式

Python 客户端提供在本地模式下运行代码而不运行 Qdrant 服务器的选项。这对于测试、调试或仅存储少量向量非常棒。嵌入可以完全保存在内存中或持久化到磁盘上。

内存中

对于某些测试场景和快速实验，您可能更喜欢将所有数据仅保留在内存中，因此当客户端被销毁时（通常在您的脚本/笔记本结束时）会将其删除。

# | output: false
# | echo: false
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

from langchain_qdrant import QdrantVectorStore
from qdrant_client import QdrantClient
from qdrant_client.http.models import Distance, VectorParams

client = QdrantClient(":memory:")

client.create_collection(
    collection_name="demo_collection",
    vectors_config=VectorParams(size=3072, distance=Distance.COSINE),
)

vector_store = QdrantVectorStore(
    client=client,
    collection_name="demo_collection",
    embedding=embeddings,
)

磁盘存储

本地模式，不使用 Qdrant 服务器，也可以将您的向量存储在磁盘上，以便它们在多次运行之间保持持久。

client = QdrantClient(path="/tmp/langchain_qdrant")

client.create_collection(
    collection_name="demo_collection",
    vectors_config=VectorParams(size=3072, distance=Distance.COSINE),
)

vector_store = QdrantVectorStore(
    client=client,
    collection_name="demo_collection",
    embedding=embeddings,
)

本地服务器部署

无论您选择使用 Docker 容器本地启动 Qdrant 还是选择使用 官方 Helm 图表选择 Kubernetes 部署，连接到此类实例的方式将完全相同。您需要提供一个指向服务的 URL。

url = "<---qdrant url here --->"
docs = []  # put docs here
qdrant = QdrantVectorStore.from_documents(
    docs,
    embeddings,
    url=url,
    prefer_grpc=True,
    collection_name="my_documents",
)

Qdrant 云

如果您不想让自己忙于管理基础设施，可以选择在 Qdrant Cloud 上设置一个完全托管的 Qdrant 集群。包含一个免费的 1GB 集群供试用。使用托管的 Qdrant 版本的主要区别在于，您需要提供一个 API 密钥来保护您的部署不被公开访问。该值也可以设置在一个 QDRANT_API_KEY 环境变量中。

url = "<---qdrant cloud cluster url here --->"
api_key = "<---api key here--->"
qdrant = QdrantVectorStore.from_documents(
    docs,
    embeddings,
    url=url,
    prefer_grpc=True,
    api_key=api_key,
    collection_name="my_documents",
)

使用现有的集合

要获取一个 langchain_qdrant.Qdrant 实例而不加载任何新的文档或文本，您可以使用 Qdrant.from_existing_collection() 方法。

qdrant = QdrantVectorStore.from_existing_collection(
    embedding=embeddings,
    collection_name="my_documents",
    url="http://localhost:6333",
)

管理向量存储

一旦您创建了向量存储，我们可以通过添加和删除不同的项目来与之交互。

向向量存储添加项目

我们可以通过使用 add_documents 函数向我们的向量存储添加项目。

from uuid import uuid4

from langchain_core.documents import Document

document_1 = Document(
    page_content="I had chocolate chip pancakes and scrambled eggs for breakfast this morning.",
    metadata={"source": "tweet"},
)

document_2 = Document(
    page_content="The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees Fahrenheit.",
    metadata={"source": "news"},
)

document_3 = Document(
    page_content="Building an exciting new project with LangChain - come check it out!",
    metadata={"source": "tweet"},
)

document_4 = Document(
    page_content="Robbers broke into the city bank and stole $1 million in cash.",
    metadata={"source": "news"},
)

document_5 = Document(
    page_content="Wow! That was an amazing movie. I can't wait to see it again.",
    metadata={"source": "tweet"},
)

document_6 = Document(
    page_content="Is the new iPhone worth the price? Read this review to find out.",
    metadata={"source": "website"},
)

document_7 = Document(
    page_content="The top 10 soccer players in the world right now.",
    metadata={"source": "website"},
)

document_8 = Document(
    page_content="LangGraph is the best framework for building stateful, agentic applications!",
    metadata={"source": "tweet"},
)

document_9 = Document(
    page_content="The stock market is down 500 points today due to fears of a recession.",
    metadata={"source": "news"},
)

document_10 = Document(
    page_content="I have a bad feeling I am going to get deleted :(",
    metadata={"source": "tweet"},
)

documents = [
    document_1,
    document_2,
    document_3,
    document_4,
    document_5,
    document_6,
    document_7,
    document_8,
    document_9,
    document_10,
]
uuids = [str(uuid4()) for _ in range(len(documents))]

vector_store.add_documents(documents=documents, ids=uuids)

从向量存储删除项目

vector_store.delete(ids=[uuids[-1]])

True

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

使用 Qdrant 向量存储最简单的场景是执行相似度搜索。在底层，我们的查询将被编码为向量嵌入，并用于在 Qdrant 集合中查找相似的文档。

results = vector_store.similarity_search(
    "LangChain provides abstractions to make working with LLMs easy", k=2
)
for res in results:
    print(f"* {res.page_content} [{res.metadata}]")

* Building an exciting new project with LangChain - come check it out! [{'source': 'tweet', '_id': 'd3202666-6f2b-4186-ac43-e35389de8166', '_collection_name': 'demo_collection'}]
* LangGraph is the best framework for building stateful, agentic applications! [{'source': 'tweet', '_id': '91ed6c56-fe53-49e2-8199-c3bb3c33c3eb', '_collection_name': 'demo_collection'}]

QdrantVectorStore 支持三种相似度搜索模式。它们可以通过 retrieval_mode 参数进行配置。

• 密集向量搜索（默认）
• 稀疏向量搜索
• 混合搜索

密集向量搜索

密集向量搜索涉及通过基于向量的嵌入计算相似度。仅使用密集向量进行搜索：

• 应将 retrieval_mode 参数设置为 RetrievalMode.DENSE。这是默认行为。
• 应向 embedding 参数提供 密集嵌入 值。

from langchain_qdrant import QdrantVectorStore, RetrievalMode
from qdrant_client import QdrantClient
from qdrant_client.http.models import Distance, VectorParams

# Create a Qdrant client for local storage
client = QdrantClient(path="/tmp/langchain_qdrant")

# Create a collection with dense vectors
client.create_collection(
    collection_name="my_documents",
    vectors_config=VectorParams(size=3072, distance=Distance.COSINE),
)

qdrant = QdrantVectorStore(
    client=client,
    collection_name="my_documents",
    embedding=embeddings,
    retrieval_mode=RetrievalMode.DENSE,
)

qdrant.add_documents(documents=documents, ids=uuids)

query = "How much money did the robbers steal?"
found_docs = qdrant.similarity_search(query)
found_docs

稀疏向量搜索

仅使用稀疏向量进行搜索：

• 应将 retrieval_mode 参数设置为 RetrievalMode.SPARSE。
• 必须提供一个使用任何稀疏嵌入提供者的 SparseEmbeddings 接口实现，作为 sparse_embedding 参数的值。

langchain-qdrant 包提供了一个基于 FastEmbed 的实现。

要使用它，请安装 FastEmbed 包。

pip install -qU fastembed

from langchain_qdrant import FastEmbedSparse, QdrantVectorStore, RetrievalMode
from qdrant_client import QdrantClient, models
from qdrant_client.http.models import Distance, SparseVectorParams, VectorParams

sparse_embeddings = FastEmbedSparse(model_name="Qdrant/bm25")

# Create a Qdrant client for local storage
client = QdrantClient(path="/tmp/langchain_qdrant")

# Create a collection with sparse vectors
client.create_collection(
    collection_name="my_documents",
    vectors_config={"dense": VectorParams(size=3072, distance=Distance.COSINE)},
    sparse_vectors_config={
        "sparse": SparseVectorParams(index=models.SparseIndexParams(on_disk=False))
    },
)

qdrant = QdrantVectorStore(
    client=client,
    collection_name="my_documents",
    sparse_embedding=sparse_embeddings,
    retrieval_mode=RetrievalMode.SPARSE,
    sparse_vector_name="sparse",
)

qdrant.add_documents(documents=documents, ids=uuids)

query = "How much money did the robbers steal?"
found_docs = qdrant.similarity_search(query)
found_docs

混合向量搜索

要执行使用密集和稀疏向量的混合搜索，并进行分数融合：

• 应将 retrieval_mode 参数设置为 RetrievalMode.HYBRID。
• 应向 embedding 参数提供 密集嵌入 值。
• 必须提供一个使用任何稀疏嵌入提供者的 SparseEmbeddings 接口实现，作为 sparse_embedding 参数的值。

请注意，如果你使用 HYBRID 模式添加了文档，在搜索时可以切换到任何检索模式，因为集合中同时包含了稠密向量和稀疏向量。

from langchain_qdrant import FastEmbedSparse, QdrantVectorStore, RetrievalMode
from qdrant_client import QdrantClient, models
from qdrant_client.http.models import Distance, SparseVectorParams, VectorParams

sparse_embeddings = FastEmbedSparse(model_name="Qdrant/bm25")

# Create a Qdrant client for local storage
client = QdrantClient(path="/tmp/langchain_qdrant")

# Create a collection with both dense and sparse vectors
client.create_collection(
    collection_name="my_documents",
    vectors_config={"dense": VectorParams(size=3072, distance=Distance.COSINE)},
    sparse_vectors_config={
        "sparse": SparseVectorParams(index=models.SparseIndexParams(on_disk=False))
    },
)

qdrant = QdrantVectorStore(
    client=client,
    collection_name="my_documents",
    embedding=embeddings,
    sparse_embedding=sparse_embeddings,
    retrieval_mode=RetrievalMode.HYBRID,
    vector_name="dense",
    sparse_vector_name="sparse",
)

qdrant.add_documents(documents=documents, ids=uuids)

query = "How much money did the robbers steal?"
found_docs = qdrant.similarity_search(query)
found_docs

如果你想要执行相似度搜索并获取相应的分数，可以运行：

results = vector_store.similarity_search_with_score(
    query="Will it be hot tomorrow", k=1
)
for doc, score in results:
    print(f"* [SIM={score:3f}] {doc.page_content} [{doc.metadata}]")

* [SIM=0.531834] The weather forecast for tomorrow is cloudy and overcast, with a high of 62 degrees. [{'source': 'news', '_id': '9e6ba50c-794f-4b88-94e5-411f15052a02', '_collection_name': 'demo_collection'}]

要获取 QdrantVectorStore 所有的可用搜索函数的完整列表，请阅读 API 参考

元数据过滤

Qdrant 拥有 丰富的过滤系统，支持丰富的类型。也可以通过向 similarity_search_with_score 和 similarity_search 方法传递额外的参数，在 LangChain 中使用过滤器。

from qdrant_client import models

results = vector_store.similarity_search(
    query="Who are the best soccer players in the world?",
    k=1,
    filter=models.Filter(
        should=[
            models.FieldCondition(
                key="page_content",
                match=models.MatchValue(
                    value="The top 10 soccer players in the world right now."
                ),
            ),
        ]
    ),
)
for doc in results:
    print(f"* {doc.page_content} [{doc.metadata}]")

* The top 10 soccer players in the world right now. [{'source': 'website', '_id': 'b0964ab5-5a14-47b4-a983-37fa5c5bd154', '_collection_name': 'demo_collection'}]

将向量存储转换为检索器

你也可以将向量存储转换为检索器，以便在链中更方便地使用。

retriever = vector_store.as_retriever(search_type="mmr", search_kwargs={"k": 1})
retriever.invoke("Stealing from the bank is a crime")

[Document(metadata={'source': 'news', '_id': '50d8d6ee-69bf-4173-a6a2-b254e9928965', '_collection_name': 'demo_collection'}, page_content='Robbers broke into the city bank and stole $1 million in cash.')]

检索增强生成的使用

有关如何使用此向量存储进行检索增强生成（RAG）的指南，请参阅以下章节：

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

自定义 qdrant

在你的 LangChain 应用程序中使用现有的 Qdrant 集合时，有一些选项。在这种情况下，你可能需要定义如何将 Qdrant 点映射到 LangChain Document。

命名向量

Qdrant 通过命名向量支持 每个点多个向量。如果你使用外部创建的集合或想要使用不同命名的向量，可以通过提供其名称来配置它。

from langchain_qdrant import RetrievalMode

QdrantVectorStore.from_documents(
    docs,
    embedding=embeddings,
    sparse_embedding=sparse_embeddings,
    location=":memory:",
    collection_name="my_documents_2",
    retrieval_mode=RetrievalMode.HYBRID,
    vector_name="custom_vector",
    sparse_vector_name="custom_sparse_vector",
)

元数据

Qdrant 会将你的向量嵌入以及可选的 JSON 类似的有效负载一起存储。有效负载是可选的，但由于 LangChain 假设嵌入是从文档生成的，我们保留上下文数据，因此你也可以提取原始文本。

默认情况下，你的文档将存储在以下有效负载结构中：

{
    "page_content": "Lorem ipsum dolor sit amet",
    "metadata": {
        "foo": "bar"
    }
}

然而，你也可以决定使用不同的键来表示页面内容和元数据。如果已经有一个你想要重用的集合，这会很有用。

QdrantVectorStore.from_documents(
    docs,
    embeddings,
    location=":memory:",
    collection_name="my_documents_2",
    content_payload_key="my_page_content_key",
    metadata_payload_key="my_meta",
)

---

API 参考

要获取所有 QdrantVectorStore 功能和配置的详细文档，请前往 @[API 参考][QdrantVectorStore]

---

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