跳至主要内容

QdrantVectorStore

兼容性

仅适用于 Node.js。

Qdrant 是一款向量相似度搜索引擎。它提供了一个生产就绪的服务，并具有方便的 API 来存储、搜索和管理点——带有附加有效载荷的向量。

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，请访问 API 参考。

概述​

集成详细信息​

类包PY 支持最新包
QdrantVectorStore@langchain/qdrant✅NPM - Version

设置​

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

本指南还将使用 OpenAI 嵌入，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

请参阅 此部分，了解有关安装集成包的一般说明。

yarn add @langchain/qdrant @langchain/openai

安装完必要的依赖项后，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，设置 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模型调用，还可以通过取消注释以下内容来设置您的 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​

向向量存储添加项目​

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);

目前不支持顶层文档 ID 和删除操作。

查询向量存储​

创建向量存储并添加相关文档后，您可能希望在链或代理运行期间查询它。

直接查询​

可以按以下方式执行简单的相似度搜索

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"}]

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

如果您想执行相似度搜索并接收相应的得分，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
  }
]

检索增强生成的使用方法​

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​

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

此页面对您有帮助吗？


您也可以在 GitHub 上留下详细反馈 GitHub.