Skip to main content

QdrantVectorStore

兼容性

仅适用于 Node.js。

Qdrant 是一个向量相似性搜索引擎。它提供了一个可用于生产的便捷服务，具有方便的 API 来存储、搜索和管理点（即带有附加负载的向量）。

本指南提供了关于如何快速开始使用 Qdrant 向量存储 的简要概述。如需了解 QdrantVectorStore 所有功能和配置的详细文档，请参阅 API 参考。

概览​

集成详情​

类包Python 支持包的最新版本
QdrantVectorStore@langchain/qdrant✅NPM - 版本

设置​

要使用 Qdrant 向量存储，你需要设置一个 Qdrant 实例并安装 @langchain/qdrant 集成包。

本指南还将使用 OpenAI 嵌入模型，这要求你安装 @langchain/openai 集成包。你也可以根据需要使用其他支持的嵌入模型。

:::提示 请参阅安装集成包的一般说明部分。 :::

yarn add @langchain/qdrant @langchain/core @langchain/openai

安装所需依赖后，按照 Qdrant 设置指南 使用 Docker 在你的计算机上运行一个 Qdrant 实例。注意你的容器运行的 URL。

凭证​

完成上述操作后，设置一个 QDRANT_URL 环境变量：

// 例如 http://localhost:6333
process.env.QDRANT_URL = "your-qdrant-url";

如果你在本指南中使用 OpenAI 嵌入模型，还需要设置你的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果你想获得模型调用的自动追踪，也可以通过取消注释以下代码来设置你的 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​

向向量存储中添加条目​

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);

顶级文档 ID 和删除当前不受支持。

查询向量存储​

一旦创建了向量存储并添加了相关文档，您很可能会希望在链或代理运行期间查询它。

直接查询​

执行一个简单的相似性搜索可以按如下方式进行：

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"}]

更多关于 Qdrant 过滤器语法的信息请参见此页面。请注意，所有值都必须以 metadata. 开头。 如果你想执行相似性搜索并获得相应的分数，可以运行以下命令：

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"}]

通过转换为检索器进行查询​

你还可以将向量存储转换为检索器，以便在你的链中更方便地使用。

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
  }
]

检索增强生成的用法​

有关如何将此向量存储用于检索增强生成（RAG）的指南，请参阅以下部分：

API 参考文档​

如需详细了解所有 QdrantVectorStore 功能和配置，请前往 API 参考文档。

Was this page helpful?


You can also leave detailed feedback on GitHub.