QdrantVectorStore

兼容性

仅在 Node.js 上可用。

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，并提供一个方便的 API 来存储、搜索和管理点——带有附加负载的向量。

本指南简要概述了如何开始使用 Qdrant 向量存储。有关所有 QdrantVectorStore 功能和配置的详细文档，请参阅 API 参考。

概述

集成细节

类	包	PY 支持	最新包
QdrantVectorStore	@langchain/qdrant	✅

设置

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

本指南还将使用 OpenAI 嵌入，这需要您安装 @langchain/openai 集成包。您也可以使用 其他支持的嵌入模型（如果您愿意）。

提示

有关安装集成包的常规说明，请参阅 本节。

npm

npm i @langchain/qdrant @langchain/core @langchain/openai

yarn

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

pnpm

pnpm add @langchain/qdrant @langchain/core @langchain/openai

安装完必需的依赖项后，请按照 Qdrant 设置说明 在您的计算机上使用 Docker 运行 Qdrant 实例。请注意您的容器运行的 URL。

凭据

完成此操作后，请设置一个 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，则还需要设置您的 OpenAI 密钥

process.env.OPENAI_API_KEY = "YOUR_API_KEY";

如果您希望自动跟踪您的模型调用，您还可以通过取消下面的注释来设置您的 LangSmith API 密钥

// process.env.LANGCHAIN_TRACING_V2="true"
// process.env.LANGCHAIN_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

将项目添加到向量存储

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 和删除操作。

查询向量存储

创建向量存储并将相关文档添加进去后，您可能希望在运行链或代理时查询它。

直接查询

执行简单的相似性搜索可以按如下方式完成

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 过滤器语法的更多信息，请参阅 此页面。请注意，所有值都必须以 metadata. 为前缀。

如果您希望执行相似性搜索并接收相应的得分，您可以运行

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"}]

通过转换为检索器进行查询

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它。

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
  }
]

用于检索增强生成的使用情况

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

• 教程：使用外部知识.
• 操作指南：使用 RAG 进行问答
• 检索概念文档

API 参考

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

相关

• 向量存储 概念指南
• 向量存储 操作指南