Qdrant: полноценная векторная БД

Qdrant для production-систем: REST API, сложные фильтры, асинхронный клиент, масштабирование. Развёртывание в Docker.

#Что вы сделаете в этой теме

За 60 минут вы:

Развернёте Qdrant в Docker
Научитесь создавать коллекции
Освоите загрузку точек (векторы + метаданные)
Используете сложные фильтры
Попробуете асинхронный клиент

#Установка и запуск

#Docker (рекомендуется)

docker run -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant

Порт 6333 — REST API
Порт 6334 — gRPC (быстрее)

#Python клиент

pip install qdrant-client

#Подключение

from qdrant_client import QdrantClient

# Подключение к серверу
client = QdrantClient(host="localhost", port=6333)

# Или локальный режим (без сервера)
# client = QdrantClient(":memory:")

#Создание коллекции

from qdrant_client.models import Distance, VectorParams

client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(
        size=384,      # Размерность векторов
        distance=Distance.COSINE  # Метрика
    )
)

#Загрузка данных

from qdrant_client.models import PointStruct
from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')

documents = [
    "Python — язык программирования",
    "Django — веб-фреймворк",
    "Flask — микрофреймворк"
]

embeddings = model.encode(documents)

# Создание точек
points = [
    PointStruct(
        id=i,
        vector=embedding.tolist(),
        payload={
            "text": doc,
            "category": "web" if "Flask" in doc or "Django" in doc else "programming"
        }
    )
    for i, (doc, embedding) in enumerate(zip(documents, embeddings))
]

# Загрузка
client.upsert(
    collection_name="documents",
    points=points
)

#Поиск с фильтрами

from qdrant_client.models import Filter, FieldCondition, MatchValue

# Поиск с фильтром
results = client.search(
    collection_name="documents",
    query_vector=model.encode(["веб-разработка"]).tolist(),
    query_filter=Filter(
        must=[
            FieldCondition(
                key="category",
                match=MatchValue(value="web")
            )
        ]
    ),
    limit=2
)

for hit in results:
    print(f"Score: {hit.score:.3f}, Text: {hit.payload['text']}")

#Асинхронный клиент

from qdrant_client import AsyncQdrantClient
import asyncio

async def main():
    client = AsyncQdrantClient(host="localhost", port=6333)
    
    results = await client.search(
        collection_name="documents",
        query_vector=model.encode(["запрос"]).tolist(),
        limit=5
    )
    
    await client.close()
    return results

results = asyncio.run(main())

#Фильтры Qdrant

Фильтр	Описание	Пример
`must`	И	Все условия должны выполняться
`must_not`	НЕ	Условия не должны выполняться
`should`	ИЛИ	Хотя бы одно условие
`MatchValue`	Точное совпадение	`{"category": "web"}`
`MatchText`	Полнотекстовый поиск	Поиск по тексту
`Range`	Диапазон	`{"price": {"gt": 100}}`

#Чеклист

Развернули Qdrant в Docker
Создали коллекцию
Загрузили точки с метаданными
Выполнили поиск с фильтром
Попробовали асинхронный клиент

#Что дальше

Следующая тема — Гибридный поиск.

Фильтр

Описание

Пример

must

Все условия должны выполняться

must_not

НЕ

Условия не должны выполняться

should

ИЛИ

Хотя бы одно условие

MatchValue

Точное совпадение

{"category": "web"}

MatchText

Полнотекстовый поиск

Поиск по тексту

Range

Диапазон

{"price": {"gt": 100}}