qdrant

Par mkurman · zorai

Qdrant — moteur de recherche par similarité vectorielle. Filtrage de payload, indexation quantifiée, multi-tenant et mise à l'échelle horizontale. API REST et gRPC. Déploiement natif Docker pour la RAG en production et la recommandation.

npx skills add https://github.com/mkurman/zorai --skill qdrant

Aperçu

Qdrant est un moteur de recherche par similarité vectorielle haute performance supportant les vecteurs denses et creux, l'indexation et le filtrage des payloads, la quantization scalaire/PQ, la multi-location et la scalabilité horizontale via clustering. APIs REST et gRPC avec support asynchrone.

Installation

docker run -p 6333:6333 qdrant/qdrant

Client Python

from qdrant_client import QdrantClient, models
import numpy as np

client = QdrantClient("localhost", port=6333)
client.create_collection("documents", vectors_config=models.VectorParams(
    size=384, distance=models.Distance.COSINE))

client.upsert("documents", points=[
    models.PointStruct(id=1, vector=np.random.rand(384).tolist(), payload={"text": "Paris is capital of France"}),
    models.PointStruct(id=2, vector=np.random.rand(384).tolist(), payload={"text": "Berlin is capital of Germany"}),
])

results = client.search("documents", query_vector=np.random.rand(384).tolist(), limit=5)
for hit in results:
    print(hit.payload["text"], hit.score)