[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-qdrant-shendujieximianxiangxiangliangsousuodegaoxingnengshujuku":3},{"id":4,"title":5,"slug":6,"summary":7,"content":8,"contentHtml":9,"wordCount":10,"readingTime":11,"categoryId":12,"tags":13,"coverImage":13,"thumbnail":13,"status":14,"isTop":15,"isRecommended":15,"allowComments":15,"password":13,"viewCount":16,"likeCount":15,"commentCount":15,"seoTitle":5,"seoKeywords":17,"seoDescription":18,"source":13,"sourceUrl":13,"publishTime":19},"2069808550190837762","Qdrant 深度解析：面向向量搜索的高性能数据库","qdrant-shendujieximianxiangxiangliangsousuodegaoxingnengshujuku","## 一、什么是 Qdrant？ Qdrant 是一个**开源的向量数据库（Vector Database）**，专门用于存储、管理和检索高维向量数据。它通过高效的**近似最近邻搜索（ANN, Approximate Nearest Neighbor）**算法，实现毫秒级的相似度查询。 **核心定位：** > Qdrant = 向量存储 + 相似度搜索 + 过滤能力 **适用场景：** - 语义搜索（Semantic Search） - 推荐系统（Recommendation System） - 图像\u002F音频检索 - 大模型 RAG（知识检索增强） --- ## 二、为什么需要向量数据库？ 传统数据库（如 MySQL、PostgreSQL）主要处理结构化数据，而 AI 应用更多是**\"语义相似性\"**问题，例如： - \"找和这段话意思相近的内容\" - \"推荐和用户兴趣相似的商品\" **向量表...","## 一、什么是 Qdrant？\n\nQdrant 是一个**开源的向量数据库（Vector Database）**，专门用于存储、管理和检索高维向量数据。它通过高效的**近似最近邻搜索（ANN, Approximate Nearest Neighbor）**算法，实现毫秒级的相似度查询。\n\n**核心定位：**\n> Qdrant = 向量存储 + 相似度搜索 + 过滤能力\n\n**适用场景：**\n- 语义搜索（Semantic Search）\n- 推荐系统（Recommendation System）\n- 图像\u002F音频检索\n- 大模型 RAG（知识检索增强）\n\n---\n\n## 二、为什么需要向量数据库？\n\n传统数据库（如 MySQL、PostgreSQL）主要处理结构化数据，而 AI 应用更多是**\"语义相似性\"**问题，例如：\n- \"找和这段话意思相近的内容\"\n- \"推荐和用户兴趣相似的商品\"\n\n**向量表示流程：**\n```\n文本 → Embedding → 向量 → 相似度计算\n```\n\n普通数据库不适合高维向量搜索的原因：\n- 计算复杂度高（O(n)）\n- 缺乏高效索引结构\n- 无法结合过滤条件进行查询\n\n---\n\n## 三、Qdrant 核心特性\n\n### 1. 高性能向量搜索（ANN）\n使用 **HNSW（Hierarchical Navigable Small World，分层可导航小世界）**算法：\n- 查询速度快（毫秒级）\n- 可扩展性强\n- 高召回率\n\n### 2. Payload 过滤能力\n支持结构化数据过滤（Payload）：\n```json\n{\n  \"vector\": [0.12, 0.98, ...],\n  \"payload\": {\n    \"category\": \"tech\",\n    \"author\": \"Alice\"\n  }\n}\n```\n可实现：\"在 tech 分类中找最相似的内容\"\n\n### 3. 持久化与高可靠性\n- WAL（Write-Ahead Log）\n- 磁盘持久化\n- 崩溃恢复机制\n\n### 4. 分布式与水平扩展\n- 集群部署\n- 分片（Sharding）\n- 副本（Replication）\n\n### 5. REST + gRPC API\n- REST API（易用）\n- gRPC（高性能）\n\n---\n\n## 四、核心架构解析\n\n| 组件 | 说明 |\n|------|------|\n| **Collection（集合）** | 类似数据库中的\"表\"，用于存储向量数据 |\n| **Point（数据点）** | 每条数据包含：向量（Vector）、Payload（元数据）、ID |\n| **Index（索引）** | 使用 HNSW 构建索引，提升查询效率，支持动态更新 |\n| **Segment（分段）** | 数据划分为多个 Segment，提高并发性能，支持增量更新 |\n\n---\n\n## 五、基本使用示例\n\n### 1. 创建 Collection\n```bash\nPUT \u002Fcollections\u002Fmy_collection\n{\n  \"vectors\": {\n    \"size\": 768,\n    \"distance\": \"Cosine\"\n  }\n}\n```\n\n### 2. 插入数据\n```bash\nPUT \u002Fcollections\u002Fmy_collection\u002Fpoints\n{\n  \"points\": [\n    {\n      \"id\": 1,\n      \"vector\": [0.1, 0.2, ...],\n      \"payload\": {\"category\": \"AI\"}\n    }\n  ]\n}\n```\n\n### 3. 向量搜索\n```bash\nPOST \u002Fcollections\u002Fmy_collection\u002Fpoints\u002Fsearch\n{\n  \"vector\": [0.1, 0.2, ...],\n  \"limit\": 5,\n  \"filter\": {\n    \"must\": [\n      {\"key\": \"category\", \"match\": {\"value\": \"AI\"}}\n    ]\n  }\n}\n```\n\n---\n\n## 六、典型应用场景\n\n| 场景 | 说明 |\n|------|------|\n| **RAG（检索增强生成）** | 将知识库转为向量存入 Qdrant，查询相关内容作为 LLM 上下文 |\n| **推荐系统** | 用户行为→向量，商品→向量，相似度匹配推荐 |\n| **语义搜索** | 替代关键词搜索，实现模糊匹配和语义理解 |\n| **多模态检索** | 支持图像、音频、文本 embedding 的统一检索 |\n\n---\n\n## 七、Qdrant vs 其他向量数据库\n\n| 特性 | Qdrant | Milvus | Weaviate |\n|------|--------|--------|----------|\n| 易用性 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |\n| 性能 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |\n| 过滤能力 | 强 | 中 | 强 |\n| 部署复杂度 | 低 | 高 | 中 |\n\n**Qdrant 优势：** 简单易用、强过滤能力、性能与功能平衡良好\n\n---\n\n## 八、最佳实践建议\n\n1. **合理选择向量维度**：常见 384 \u002F 768 \u002F 1536\n2. **使用合适的距离函数**：\n   - Cosine（推荐）\n   - Euclidean\n   - Dot\n3. **开启索引优化**：调整 HNSW 参数（M、ef）\n4. **结合 Payload 做过滤**：提升查询精度\n5. **批量写入提升性能**\n\n---\n\n## 九、总结\n\nQdrant 是一个专为 AI 时代设计的现代向量数据库，具备：\n- 🚀 高性能向量搜索\n- 🔍 强大的过滤能力\n- 🧩 灵活的架构设计\n- 📈 易扩展的分布式能力\n\n**适合构建：** RAG 应用、推荐系统、AI 搜索系统\n\n---\n\n## 十、延伸思考\n\n随着 AI 应用的深入，未来数据的主流形式将从\"结构化数据\"逐渐转向\"向量数据\"。向量数据库将成为 AI 基础设施的重要组成部分，而 Qdrant 正站在这一趋势的前沿。","\u003Ch2 data-line=\"0\" id=\"一、什么是 Qdrant？\">一、什么是 Qdrant？\u003C\u002Fh2>\n\u003Cp data-line=\"2\">Qdrant 是一个\u003Cstrong>开源的向量数据库（Vector Database）\u003C\u002Fstrong>，专门用于存储、管理和检索高维向量数据。它通过高效的**近似最近邻搜索（ANN, Approximate Nearest Neighbor）**算法，实现毫秒级的相似度查询。\u003C\u002Fp>\n\u003Cp data-line=\"4\">\u003Cstrong>核心定位：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cblockquote data-line=\"5\">\n\u003Cp data-line=\"5\">Qdrant = 向量存储 + 相似度搜索 + 过滤能力\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp data-line=\"7\">\u003Cstrong>适用场景：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cul data-line=\"8\">\n\u003Cli data-line=\"8\">语义搜索（Semantic Search）\u003C\u002Fli>\n\u003Cli data-line=\"9\">推荐系统（Recommendation System）\u003C\u002Fli>\n\u003Cli data-line=\"10\">图像\u002F音频检索\u003C\u002Fli>\n\u003Cli data-line=\"11\">大模型 RAG（知识检索增强）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr data-line=\"13\">\n\u003Ch2 data-line=\"15\" id=\"二、为什么需要向量数据库？\">二、为什么需要向量数据库？\u003C\u002Fh2>\n\u003Cp data-line=\"17\">传统数据库（如 MySQL、PostgreSQL）主要处理结构化数据，而 AI 应用更多是**"语义相似性"**问题，例如：\u003C\u002Fp>\n\u003Cul data-line=\"18\">\n\u003Cli data-line=\"18\">"找和这段话意思相近的内容"\u003C\u002Fli>\n\u003Cli data-line=\"19\">"推荐和用户兴趣相似的商品"\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp data-line=\"21\">\u003Cstrong>向量表示流程：\u003C\u002Fstrong>\u003C\u002Fp>\n\n        \u003Cdetails  data-line=\"22\" class=\"md-editor-code\" open=\"\">\n          \u003Csummary class=\"md-editor-code-head\">\n            \u003Cdiv class=\"md-editor-code-flag\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fdiv>\n            \u003Cdiv class=\"md-editor-code-action\">\n              \u003Cspan class=\"md-editor-code-lang\">\u003C\u002Fspan>\n              \u003Cspan class=\"md-editor-copy-button\" data-tips=\"复制代码\">复制代码\u003C\u002Fspan>\n              \n              \u003Cspan class=\"md-editor-collapse-tips\">\u003Csvg xmlns=\"http:\u002F\u002Fwww.w3.org\u002F2000\u002Fsvg\" width=\"24\" height=\"24\" viewBox=\"0 0 24 24\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"2\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"lucide lucide-circle-chevron-left md-editor-icon\">\u003Ccircle cx=\"12\" cy=\"12\" r=\"10\"\u002F>\u003Cpath d=\"m14 16-4-4 4-4\"\u002F>\u003C\u002Fsvg>\u003C\u002Fspan>\n            \u003C\u002Fdiv>\n          \u003C\u002Fsummary>\n          \u003Cpre>\u003Ccode class=\"language-\" language=>\u003Cspan class=\"md-editor-code-block\">文本 → Embedding → 向量 → 相似度计算\u003C\u002Fspan>\u003Cspan rn-wrapper aria-hidden=\"true\">\u003Cspan>\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\n\n        \u003C\u002Fdetails>\n      \u003Cp data-line=\"26\">普通数据库不适合高维向量搜索的原因：\u003C\u002Fp>\n\u003Cul data-line=\"27\">\n\u003Cli data-line=\"27\">计算复杂度高（O(n)）\u003C\u002Fli>\n\u003Cli data-line=\"28\">缺乏高效索引结构\u003C\u002Fli>\n\u003Cli data-line=\"29\">无法结合过滤条件进行查询\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr data-line=\"31\">\n\u003Ch2 data-line=\"33\" id=\"三、Qdrant 核心特性\">三、Qdrant 核心特性\u003C\u002Fh2>\n\u003Ch3 data-line=\"35\" id=\"1. 高性能向量搜索（ANN）\">1. 高性能向量搜索（ANN）\u003C\u002Fh3>\n\u003Cp data-line=\"36\">使用 **HNSW（Hierarchical Navigable Small World，分层可导航小世界）**算法：\u003C\u002Fp>\n\u003Cul data-line=\"37\">\n\u003Cli data-line=\"37\">查询速度快（毫秒级）\u003C\u002Fli>\n\u003Cli data-line=\"38\">可扩展性强\u003C\u002Fli>\n\u003Cli data-line=\"39\">高召回率\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 data-line=\"41\" id=\"2. Payload 过滤能力\">2. Payload 过滤能力\u003C\u002Fh3>\n\u003Cp data-line=\"42\">支持结构化数据过滤（Payload）：\u003C\u002Fp>\n\n        \u003Cdetails  data-line=\"43\" class=\"md-editor-code\" open=\"\">\n          \u003Csummary class=\"md-editor-code-head\">\n            \u003Cdiv class=\"md-editor-code-flag\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fdiv>\n            \u003Cdiv class=\"md-editor-code-action\">\n              \u003Cspan class=\"md-editor-code-lang\">json\u003C\u002Fspan>\n              \u003Cspan class=\"md-editor-copy-button\" data-tips=\"复制代码\">复制代码\u003C\u002Fspan>\n              \n              \u003Cspan class=\"md-editor-collapse-tips\">\u003Csvg xmlns=\"http:\u002F\u002Fwww.w3.org\u002F2000\u002Fsvg\" width=\"24\" height=\"24\" viewBox=\"0 0 24 24\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"2\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"lucide lucide-circle-chevron-left md-editor-icon\">\u003Ccircle cx=\"12\" cy=\"12\" r=\"10\"\u002F>\u003Cpath d=\"m14 16-4-4 4-4\"\u002F>\u003C\u002Fsvg>\u003C\u002Fspan>\n            \u003C\u002Fdiv>\n          \u003C\u002Fsummary>\n          \u003Cpre>\u003Ccode class=\"language-json\" language=json>\u003Cspan class=\"md-editor-code-block\">\u003Cspan class=\"hljs-punctuation\">{\u003C\u002Fspan>\n  \u003Cspan class=\"hljs-attr\">"vector"\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">:\u003C\u002Fspan> \u003Cspan class=\"hljs-punctuation\">[\u003C\u002Fspan>\u003Cspan class=\"hljs-number\">0.12\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">,\u003C\u002Fspan> \u003Cspan class=\"hljs-number\">0.98\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">,\u003C\u002Fspan> ...\u003Cspan class=\"hljs-punctuation\">]\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">,\u003C\u002Fspan>\n  \u003Cspan class=\"hljs-attr\">"payload"\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">:\u003C\u002Fspan> \u003Cspan class=\"hljs-punctuation\">{\u003C\u002Fspan>\n    \u003Cspan class=\"hljs-attr\">"category"\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">:\u003C\u002Fspan> \u003Cspan class=\"hljs-string\">"tech"\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">,\u003C\u002Fspan>\n    \u003Cspan class=\"hljs-attr\">"author"\u003C\u002Fspan>\u003Cspan class=\"hljs-punctuation\">:\u003C\u002Fspan> \u003Cspan class=\"hljs-string\">"Alice"\u003C\u002Fspan>\n  \u003Cspan class=\"hljs-punctuation\">}\u003C\u002Fspan>\n\u003Cspan class=\"hljs-punctuation\">}\u003C\u002Fspan>\u003C\u002Fspan>\u003Cspan rn-wrapper aria-hidden=\"true\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\n\n        \u003C\u002Fdetails>\n      \u003Cp data-line=\"52\">可实现："在 tech 分类中找最相似的内容"\u003C\u002Fp>\n\u003Ch3 data-line=\"54\" id=\"3. 持久化与高可靠性\">3. 持久化与高可靠性\u003C\u002Fh3>\n\u003Cul data-line=\"55\">\n\u003Cli data-line=\"55\">WAL（Write-Ahead Log）\u003C\u002Fli>\n\u003Cli data-line=\"56\">磁盘持久化\u003C\u002Fli>\n\u003Cli data-line=\"57\">崩溃恢复机制\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 data-line=\"59\" id=\"4. 分布式与水平扩展\">4. 分布式与水平扩展\u003C\u002Fh3>\n\u003Cul data-line=\"60\">\n\u003Cli data-line=\"60\">集群部署\u003C\u002Fli>\n\u003Cli data-line=\"61\">分片（Sharding）\u003C\u002Fli>\n\u003Cli data-line=\"62\">副本（Replication）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 data-line=\"64\" id=\"5. REST + gRPC API\">5. REST + gRPC API\u003C\u002Fh3>\n\u003Cul data-line=\"65\">\n\u003Cli data-line=\"65\">REST API（易用）\u003C\u002Fli>\n\u003Cli data-line=\"66\">gRPC（高性能）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr data-line=\"68\">\n\u003Ch2 data-line=\"70\" id=\"四、核心架构解析\">四、核心架构解析\u003C\u002Fh2>\n\u003Ctable data-line=\"72\">\n\u003Cthead data-line=\"72\">\n\u003Ctr data-line=\"72\">\n\u003Cth>组件\u003C\u002Fth>\n\u003Cth>说明\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody data-line=\"74\">\n\u003Ctr data-line=\"74\">\n\u003Ctd>\u003Cstrong>Collection（集合）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>类似数据库中的"表"，用于存储向量数据\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"75\">\n\u003Ctd>\u003Cstrong>Point（数据点）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>每条数据包含：向量（Vector）、Payload（元数据）、ID\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"76\">\n\u003Ctd>\u003Cstrong>Index（索引）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>使用 HNSW 构建索引，提升查询效率，支持动态更新\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"77\">\n\u003Ctd>\u003Cstrong>Segment（分段）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>数据划分为多个 Segment，提高并发性能，支持增量更新\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Chr data-line=\"79\">\n\u003Ch2 data-line=\"81\" id=\"五、基本使用示例\">五、基本使用示例\u003C\u002Fh2>\n\u003Ch3 data-line=\"83\" id=\"1. 创建 Collection\">1. 创建 Collection\u003C\u002Fh3>\n\n        \u003Cdetails  data-line=\"84\" class=\"md-editor-code\" open=\"\">\n          \u003Csummary class=\"md-editor-code-head\">\n            \u003Cdiv class=\"md-editor-code-flag\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fdiv>\n            \u003Cdiv class=\"md-editor-code-action\">\n              \u003Cspan class=\"md-editor-code-lang\">bash\u003C\u002Fspan>\n              \u003Cspan class=\"md-editor-copy-button\" data-tips=\"复制代码\">复制代码\u003C\u002Fspan>\n              \n              \u003Cspan class=\"md-editor-collapse-tips\">\u003Csvg xmlns=\"http:\u002F\u002Fwww.w3.org\u002F2000\u002Fsvg\" width=\"24\" height=\"24\" viewBox=\"0 0 24 24\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"2\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"lucide lucide-circle-chevron-left md-editor-icon\">\u003Ccircle cx=\"12\" cy=\"12\" r=\"10\"\u002F>\u003Cpath d=\"m14 16-4-4 4-4\"\u002F>\u003C\u002Fsvg>\u003C\u002Fspan>\n            \u003C\u002Fdiv>\n          \u003C\u002Fsummary>\n          \u003Cpre>\u003Ccode class=\"language-bash\" language=bash>\u003Cspan class=\"md-editor-code-block\">PUT \u002Fcollections\u002Fmy_collection\n{\n  \u003Cspan class=\"hljs-string\">"vectors"\u003C\u002Fspan>: {\n    \u003Cspan class=\"hljs-string\">"size"\u003C\u002Fspan>: 768,\n    \u003Cspan class=\"hljs-string\">"distance"\u003C\u002Fspan>: \u003Cspan class=\"hljs-string\">"Cosine"\u003C\u002Fspan>\n  }\n}\u003C\u002Fspan>\u003Cspan rn-wrapper aria-hidden=\"true\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\n\n        \u003C\u002Fdetails>\n      \u003Ch3 data-line=\"94\" id=\"2. 插入数据\">2. 插入数据\u003C\u002Fh3>\n\n        \u003Cdetails  data-line=\"95\" class=\"md-editor-code\" open=\"\">\n          \u003Csummary class=\"md-editor-code-head\">\n            \u003Cdiv class=\"md-editor-code-flag\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fdiv>\n            \u003Cdiv class=\"md-editor-code-action\">\n              \u003Cspan class=\"md-editor-code-lang\">bash\u003C\u002Fspan>\n              \u003Cspan class=\"md-editor-copy-button\" data-tips=\"复制代码\">复制代码\u003C\u002Fspan>\n              \n              \u003Cspan class=\"md-editor-collapse-tips\">\u003Csvg xmlns=\"http:\u002F\u002Fwww.w3.org\u002F2000\u002Fsvg\" width=\"24\" height=\"24\" viewBox=\"0 0 24 24\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"2\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"lucide lucide-circle-chevron-left md-editor-icon\">\u003Ccircle cx=\"12\" cy=\"12\" r=\"10\"\u002F>\u003Cpath d=\"m14 16-4-4 4-4\"\u002F>\u003C\u002Fsvg>\u003C\u002Fspan>\n            \u003C\u002Fdiv>\n          \u003C\u002Fsummary>\n          \u003Cpre>\u003Ccode class=\"language-bash\" language=bash>\u003Cspan class=\"md-editor-code-block\">PUT \u002Fcollections\u002Fmy_collection\u002Fpoints\n{\n  \u003Cspan class=\"hljs-string\">"points"\u003C\u002Fspan>: [\n    {\n      \u003Cspan class=\"hljs-string\">"id"\u003C\u002Fspan>: 1,\n      \u003Cspan class=\"hljs-string\">"vector"\u003C\u002Fspan>: [0.1, 0.2, ...],\n      \u003Cspan class=\"hljs-string\">"payload"\u003C\u002Fspan>: {\u003Cspan class=\"hljs-string\">"category"\u003C\u002Fspan>: \u003Cspan class=\"hljs-string\">"AI"\u003C\u002Fspan>}\n    }\n  ]\n}\u003C\u002Fspan>\u003Cspan rn-wrapper aria-hidden=\"true\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\n\n        \u003C\u002Fdetails>\n      \u003Ch3 data-line=\"108\" id=\"3. 向量搜索\">3. 向量搜索\u003C\u002Fh3>\n\n        \u003Cdetails  data-line=\"109\" class=\"md-editor-code\" open=\"\">\n          \u003Csummary class=\"md-editor-code-head\">\n            \u003Cdiv class=\"md-editor-code-flag\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fdiv>\n            \u003Cdiv class=\"md-editor-code-action\">\n              \u003Cspan class=\"md-editor-code-lang\">bash\u003C\u002Fspan>\n              \u003Cspan class=\"md-editor-copy-button\" data-tips=\"复制代码\">复制代码\u003C\u002Fspan>\n              \n              \u003Cspan class=\"md-editor-collapse-tips\">\u003Csvg xmlns=\"http:\u002F\u002Fwww.w3.org\u002F2000\u002Fsvg\" width=\"24\" height=\"24\" viewBox=\"0 0 24 24\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"2\" stroke-linecap=\"round\" stroke-linejoin=\"round\" class=\"lucide lucide-circle-chevron-left md-editor-icon\">\u003Ccircle cx=\"12\" cy=\"12\" r=\"10\"\u002F>\u003Cpath d=\"m14 16-4-4 4-4\"\u002F>\u003C\u002Fsvg>\u003C\u002Fspan>\n            \u003C\u002Fdiv>\n          \u003C\u002Fsummary>\n          \u003Cpre>\u003Ccode class=\"language-bash\" language=bash>\u003Cspan class=\"md-editor-code-block\">POST \u002Fcollections\u002Fmy_collection\u002Fpoints\u002Fsearch\n{\n  \u003Cspan class=\"hljs-string\">"vector"\u003C\u002Fspan>: [0.1, 0.2, ...],\n  \u003Cspan class=\"hljs-string\">"limit"\u003C\u002Fspan>: 5,\n  \u003Cspan class=\"hljs-string\">"filter"\u003C\u002Fspan>: {\n    \u003Cspan class=\"hljs-string\">"must"\u003C\u002Fspan>: [\n      {\u003Cspan class=\"hljs-string\">"key"\u003C\u002Fspan>: \u003Cspan class=\"hljs-string\">"category"\u003C\u002Fspan>, \u003Cspan class=\"hljs-string\">"match"\u003C\u002Fspan>: {\u003Cspan class=\"hljs-string\">"value"\u003C\u002Fspan>: \u003Cspan class=\"hljs-string\">"AI"\u003C\u002Fspan>}}\n    ]\n  }\n}\u003C\u002Fspan>\u003Cspan rn-wrapper aria-hidden=\"true\">\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003Cspan>\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fcode>\u003C\u002Fpre>\n\n        \u003C\u002Fdetails>\n      \u003Chr data-line=\"122\">\n\u003Ch2 data-line=\"124\" id=\"六、典型应用场景\">六、典型应用场景\u003C\u002Fh2>\n\u003Ctable data-line=\"126\">\n\u003Cthead data-line=\"126\">\n\u003Ctr data-line=\"126\">\n\u003Cth>场景\u003C\u002Fth>\n\u003Cth>说明\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody data-line=\"128\">\n\u003Ctr data-line=\"128\">\n\u003Ctd>\u003Cstrong>RAG（检索增强生成）\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>将知识库转为向量存入 Qdrant，查询相关内容作为 LLM 上下文\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"129\">\n\u003Ctd>\u003Cstrong>推荐系统\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>用户行为→向量，商品→向量，相似度匹配推荐\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"130\">\n\u003Ctd>\u003Cstrong>语义搜索\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>替代关键词搜索，实现模糊匹配和语义理解\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"131\">\n\u003Ctd>\u003Cstrong>多模态检索\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>支持图像、音频、文本 embedding 的统一检索\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Chr data-line=\"133\">\n\u003Ch2 data-line=\"135\" id=\"七、Qdrant vs 其他向量数据库\">七、Qdrant vs 其他向量数据库\u003C\u002Fh2>\n\u003Ctable data-line=\"137\">\n\u003Cthead data-line=\"137\">\n\u003Ctr data-line=\"137\">\n\u003Cth>特性\u003C\u002Fth>\n\u003Cth>Qdrant\u003C\u002Fth>\n\u003Cth>Milvus\u003C\u002Fth>\n\u003Cth>Weaviate\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody data-line=\"139\">\n\u003Ctr data-line=\"139\">\n\u003Ctd>易用性\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐⭐\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐⭐\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"140\">\n\u003Ctd>性能\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐⭐\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐⭐\u003C\u002Ftd>\n\u003Ctd>⭐⭐⭐\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"141\">\n\u003Ctd>过滤能力\u003C\u002Ftd>\n\u003Ctd>强\u003C\u002Ftd>\n\u003Ctd>中\u003C\u002Ftd>\n\u003Ctd>强\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr data-line=\"142\">\n\u003Ctd>部署复杂度\u003C\u002Ftd>\n\u003Ctd>低\u003C\u002Ftd>\n\u003Ctd>高\u003C\u002Ftd>\n\u003Ctd>中\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp data-line=\"144\">\u003Cstrong>Qdrant 优势：\u003C\u002Fstrong> 简单易用、强过滤能力、性能与功能平衡良好\u003C\u002Fp>\n\u003Chr data-line=\"146\">\n\u003Ch2 data-line=\"148\" id=\"八、最佳实践建议\">八、最佳实践建议\u003C\u002Fh2>\n\u003Col data-line=\"150\">\n\u003Cli data-line=\"150\">\u003Cstrong>合理选择向量维度\u003C\u002Fstrong>：常见 384 \u002F 768 \u002F 1536\u003C\u002Fli>\n\u003Cli data-line=\"151\">\u003Cstrong>使用合适的距离函数\u003C\u002Fstrong>：\n\u003Cul data-line=\"152\">\n\u003Cli data-line=\"152\">Cosine（推荐）\u003C\u002Fli>\n\u003Cli data-line=\"153\">Euclidean\u003C\u002Fli>\n\u003Cli data-line=\"154\">Dot\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli data-line=\"155\">\u003Cstrong>开启索引优化\u003C\u002Fstrong>：调整 HNSW 参数（M、ef）\u003C\u002Fli>\n\u003Cli data-line=\"156\">\u003Cstrong>结合 Payload 做过滤\u003C\u002Fstrong>：提升查询精度\u003C\u002Fli>\n\u003Cli data-line=\"157\">\u003Cstrong>批量写入提升性能\u003C\u002Fstrong>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Chr data-line=\"159\">\n\u003Ch2 data-line=\"161\" id=\"九、总结\">九、总结\u003C\u002Fh2>\n\u003Cp data-line=\"163\">Qdrant 是一个专为 AI 时代设计的现代向量数据库，具备：\u003C\u002Fp>\n\u003Cul data-line=\"164\">\n\u003Cli data-line=\"164\">🚀 高性能向量搜索\u003C\u002Fli>\n\u003Cli data-line=\"165\">🔍 强大的过滤能力\u003C\u002Fli>\n\u003Cli data-line=\"166\">🧩 灵活的架构设计\u003C\u002Fli>\n\u003Cli data-line=\"167\">📈 易扩展的分布式能力\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp data-line=\"169\">\u003Cstrong>适合构建：\u003C\u002Fstrong> RAG 应用、推荐系统、AI 搜索系统\u003C\u002Fp>\n\u003Chr data-line=\"171\">\n\u003Ch2 data-line=\"173\" id=\"十、延伸思考\">十、延伸思考\u003C\u002Fh2>\n\u003Cp data-line=\"175\">随着 AI 应用的深入，未来数据的主流形式将从"结构化数据"逐渐转向"向量数据"。向量数据库将成为 AI 基础设施的重要组成部分，而 Qdrant 正站在这一趋势的前沿。\u003C\u002Fp>\n",2650,8,"0","",2,0,414,"向量,&quot,Qdrant,搜索,数据","一、什么是 Qdrant？\nQdrant 是一个开源的向量数据库（Vector Database），专门用于存储、管理和检索高维向量数据。它通过高效的**近似最近邻搜索（ANN, Approximate Nearest Neighbor）**算法，实现毫秒级的相似度查询。","2026-06-24 23:43:05"]