Rust 實作下一代人工智慧的高效能向量資料庫

Qdrant（讀作：象限）是一個為下一代人工智慧套用而生的向量相似性搜尋引擎和向量資料庫。它不僅提供了一個生產就緒的服務，還有一套方便的API用於儲存、搜尋和管理向量點——附加了額外載荷的向量。Qdrant專門針對擴充套件篩選支持進行了最佳化，使其適用於各種基於神經網路或語意的匹配、分面搜尋和其他套用。Qdrant用Rust語言編寫，保證即使在高負載下也能快速且可靠。現在，讓我們深入了解Qdrant，以及如何開始使用它。

快速入門

Python 客戶端

透過 Python 客戶端快速開始體驗Qdrant，您可以用如下命令進行安裝：

pip install qdrant-client


Python 客戶端範例：

from qdrant_client import QdrantClient
# 建立記憶體中的Qdrant例項，用於測試、CI/CD
qdrant = QdrantClient(":memory:")
# 或者使用磁盤持久化數據，快速原型制作
client = QdrantClient(path="path/to/db")


客戶端-伺服器模式

推薦用於生產環境的方法是用客戶端-伺服器模式。您可以使用如下命令來執行容器：

docker run -p 6333:6333 qdrant/qdrant


現在，您可以用任何客戶端連線到這個服務了，包括Python：

qdrant = QdrantClient("http://localhost:6333") # 用於生產的Qdrant例項連線


客戶端庫支持

Qdrant 提供以下官方及社群客戶端庫，以便簡易整合到您的應用程式棧中：

核心特性

篩選與載荷

Qdrant可以將任意JSON載荷附加到向量上，這不僅可以儲存數據，還可以根據這些載荷中的值進行數據篩選。載荷支持多種數據型別和查詢條件，包括關鍵詞匹配、全文篩選、數值範圍、地理位置等。篩選條件可以以各種方式組合，如 should 、 must 和 must_not 條件，確保您可以在相似度匹配之上實作任何期望的業務邏輯。

使用稀疏向量的混合搜尋

針對向量嵌入在特定關鍵詞搜尋上的局限性，Qdrant 引入了對稀疏向量的支持，除了常規的密集向量。稀疏向量可以被看作是BM25或TF-IDF排名的泛化。它們使您能夠有效地利用基於變壓器的神經網路對單個令牌進行加權。

向量量化與磁盤儲存

Qdrant提供多種選項，使向量搜尋更加經濟和資源高效。內建的向量量化可以將RAM使用率降低高達97%，並動態管理搜尋速度和精度之間的權衡。

分布式部署

Qdrant透過兩種關鍵機制提供全面的水平延伸支援：

高亮功能

整合計畫

以下是一些Qdrant整合範例和/或文件：

完整文件與例項

為了深入理解和套用Qdrant，您可以參考以下資源：

實際套用案例

API介面

結論

Qdrant是一個開創性的向量資料庫，它為我們開啟了利用強大的向量搜尋功能的大門，以支持我們的AI套用。無論您是在構建推薦引擎、實施語意搜尋還是探索影像辨識任務，Qdrant都提供了一個強大而靈活的平台來實作您的目標。隨著AI和機器學習技術的不斷成熟和普及，利用Qdrant等工具，我們能夠為所欲為地探索和創新。

參考資料

[1]

快速開始指南: https://github.com/qdrant/qdrant/blob/main/QUICK_START.md

文章精選

點 擊 關 註 並 掃 碼 添 加 進 交 流 群

領 取 「Rust 語 言 」 學 習 資 料