Qdrant مدیریت‌شده برای RAG و جست‌وجوی معنایی

حافظه‌ی بلندمدت برای اپ‌های هوش مصنوعی

Qdrant بردارهای embedding را با هر تعداد بعد ذخیره و با جست‌وجوی شباهت (cosine، dot، euclid) نزدیک‌ترین‌ها را پیدا می‌کند. فیلتر روی payload اجازه می‌دهد جست‌وجوی معنایی را با شرط‌هایی مثل زبان، کاربر یا تاریخ ترکیب کنید.

برای RAG، توصیه‌گر و جست‌وجوی معنایی در متن فارسی، embedding ها را با مدل دلخواه بسازید و در Qdrant نگه دارید. اگر فقط چند هزار بردار دارید، pgvector در PostgreSQL هم گزینه‌ی ساده‌تری است.

از ساخت تا اتصال

1. ساخت

   نود Qdrant با نسخه‌ی پیش‌فرض 1.18 ساخته می‌شود.

   --type qdrant

2. اطلاعات اتصال

   میزبان و کلید API را بگیرید و به اپ بدهید.

   env set QDRANT_HOST=…

3. استفاده

   کالکشن بسازید، بردار upsert و جست‌وجو کنید.

   :6333

خروجی ساخت سرویس

$ sakoocloud db create --name vectors --type qdrant
✔ Provisioning vectors · db_4n8x2p
$ sakoocloud db credentials db_4n8x2p
$ sakoocloud env set QDRANT_HOST=… QDRANT_API_KEY=•••• --app my-api

ساخت نود

با CLI یا از کنسول.

sakoocloud db create --name vectors --type qdrant

تنظیمات

اتصال از اپ

کلاینت رسمی Qdrant میزبان و کلید را می‌گیرد.

import os
from qdrant_client import QdrantClient

client = QdrantClient(
    url=f'http://{os.environ["QDRANT_HOST"]}:6333',
    api_key=os.environ["QDRANT_API_KEY"],
)
hits = client.query_points("docs", query=embedding, limit=5)

import { QdrantClient } from "@qdrant/js-client-rest";

const qdrant = new QdrantClient({
  url: `http://${process.env.QDRANT_HOST}:6333`,
  apiKey: process.env.QDRANT_API_KEY,
});

خطاهای رایج

پرسش‌های متداول

جزئیات بیشتر در راهنمای Qdrant در مستندات و مرجع CLI.