Qdrant
本部分将引导你完成 Qdrant 的设置VectorStore以存储文档嵌入并执行相似性搜索。
Qdrant 是一个开源、高性能的矢量搜索引擎/数据库。它使用 HNSW（分层可导航小世界）算法进行高效的 k-NN 搜索作，并为基于元数据的查询提供高级过滤功能。
前提条件
-
Qdrant 实例：按照 Qdrant 文档中的安装说明设置 Qdrant 实例。
-
如果需要，EmbeddingModel 的 API 密钥用于生成由
QdrantVectorStore.
建议使用适当的尺寸和配置提前创建 Qdrant 集合。
如果未创建集合，则QdrantVectorStore将尝试使用Cosine相似性和配置的维度EmbeddingModel. |
自动配置
|
Spring AI 自动配置、入门模块的工件名称发生了重大变化。 有关更多信息，请参阅升级说明。 |
Spring AI 为 Qdrant 矢量存储提供 Spring Boot 自动配置。
要启用它，请将以下依赖项添加到项目的 Mavenpom.xml文件：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-vector-store-qdrant</artifactId>
</dependency>或 Gradlebuild.gradle构建文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-starter-vector-store-qdrant'
}| 请参阅依赖项管理部分，将 Spring AI BOM 添加到构建文件中。 |
请查看矢量存储的配置参数列表，了解默认值和配置选项。
| 请参阅 Artifact Repositories 部分，将 Maven Central 和/或 Snapshot Repositories 添加到构建文件中。 |
矢量存储实现可以为您初始化必要的架构，但您必须通过指定initializeSchemaboolean 或通过…initialize-schema=true在application.properties文件。
| 这是一个重大变化！在早期版本的 Spring AI 中，默认情况下会发生此模式初始化。 |
此外，您还需要配置一个EmbeddingModel豆。有关详细信息，请参阅 EmbeddingModel 部分。
现在，您可以自动连接QdrantVectorStore作为应用程序中的矢量存储。
@Autowired VectorStore vectorStore;
// ...
List<Document> documents = List.of(
new Document("Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!! Spring AI rocks!!", Map.of("meta1", "meta1")),
new Document("The World is Big and Salvation Lurks Around the Corner"),
new Document("You walk forward facing the past and you turn back toward the future.", Map.of("meta2", "meta2")));
// Add the documents to Qdrant
vectorStore.add(documents);
// Retrieve documents similar to a query
List<Document> results = vectorStore.similaritySearch(SearchRequest.builder().query("Spring").topK(5).build());配置属性
要连接到 Qdrant 并使用QdrantVectorStore时，您需要提供实例的访问详细信息。
可以通过 Spring Boot 的application.yml:
spring:
ai:
vectorstore:
qdrant:
host: <qdrant host>
port: <qdrant grpc port>
api-key: <qdrant api key>
collection-name: <collection name>
use-tls: false
initialize-schema: true以spring.ai.vectorstore.qdrant.*用于配置QdrantVectorStore:
| 属性 | 描述 | 默认值 |
|---|---|---|
|
Qdrant 服务器的主机 |
|
|
Qdrant 服务器的 gRPC 端口 |
|
|
用于身份验证的 API 密钥 |
- |
|
要使用的集合的名称 |
|
|
是否使用 TLS（HTTPS） |
|
|
是否初始化架构 |
|
手动配置
您可以手动配置 Qdrant 矢量存储，而不是使用 Spring Boot 自动配置。为此，您需要添加spring-ai-qdrant-store到你的项目：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-qdrant-store</artifactId>
</dependency>或 Gradlebuild.gradle构建文件。
dependencies {
implementation 'org.springframework.ai:spring-ai-qdrant-store'
}| 请参阅依赖项管理部分，将 Spring AI BOM 添加到构建文件中。 |
创建一个 Qdrant 客户端 bean：
@Bean
public QdrantClient qdrantClient() {
QdrantGrpcClient.Builder grpcClientBuilder =
QdrantGrpcClient.newBuilder(
"<QDRANT_HOSTNAME>",
<QDRANT_GRPC_PORT>,
<IS_TLS>);
grpcClientBuilder.withApiKey("<QDRANT_API_KEY>");
return new QdrantClient(grpcClientBuilder.build());
}然后创建QdrantVectorStorebean 使用构建器模式：
@Bean
public VectorStore vectorStore(QdrantClient qdrantClient, EmbeddingModel embeddingModel) {
return QdrantVectorStore.builder(qdrantClient, embeddingModel)
.collectionName("custom-collection") // Optional: defaults to "vector_store"
.initializeSchema(true) // Optional: defaults to false
.batchingStrategy(new TokenCountBatchingStrategy()) // Optional: defaults to TokenCountBatchingStrategy
.build();
}
// This can be any EmbeddingModel implementation
@Bean
public EmbeddingModel embeddingModel() {
return new OpenAiEmbeddingModel(new OpenAiApi(System.getenv("OPENAI_API_KEY")));
}元数据过滤
您也可以将通用的可移植元数据过滤器与 Qdrant 存储结合使用。
例如，您可以使用文本表达式语言：
vectorStore.similaritySearch(
SearchRequest.builder()
.query("The World")
.topK(TOP_K)
.similarityThreshold(SIMILARITY_THRESHOLD)
.filterExpression("author in ['john', 'jill'] && article_type == 'blog'").build());或以编程方式使用Filter.ExpressionDSL：
FilterExpressionBuilder b = new FilterExpressionBuilder();
vectorStore.similaritySearch(SearchRequest.builder()
.query("The World")
.topK(TOP_K)
.similarityThreshold(SIMILARITY_THRESHOLD)
.filterExpression(b.and(
b.in("author", "john", "jill"),
b.eq("article_type", "blog")).build()).build());| 这些（可移植的）过滤器表达式会自动转换为专有的 Qdrant 过滤器表达式。 |
访问本机客户端
Qdrant 矢量存储实现提供对底层本机 Qdrant 客户端 （QdrantClient） 通过getNativeClient()方法：
QdrantVectorStore vectorStore = context.getBean(QdrantVectorStore.class);
Optional<QdrantClient> nativeClient = vectorStore.getNativeClient();
if (nativeClient.isPresent()) {
QdrantClient client = nativeClient.get();
// Use the native client for Qdrant-specific operations
}本机客户端使你能够访问特定于 Qdrant 的功能和作，这些功能和作可能不会通过VectorStore接口。