Qdrant

本节将引导您完成设置 Qdrant VectorStore 以存储文档嵌入并执行相似性搜索的过程。

Qdrant 是一个开源的高性能向量搜索引擎 / 数据库。它采用 HNSW(层次可导航小世界)算法以实现高效的 k 近邻搜索操作,并提供了基于元数据查询的高级过滤功能。

先决条件

  • Qdrant 实例:按照 Qdrant 文档中的 安装说明 设置一个 Qdrant 实例。
  • 如有需要,为 EmbeddingModel 提供一个 API 密钥,以生成由 QdrantVectorStore 存储的嵌入向量。

自动配置

Spring AI 为 Qdrant 向量存储提供了 Spring Boot 自动配置功能。要启用它,请将以下依赖项添加到您项目的 Maven pom.xml 文件中:

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-vector-store-qdrant</artifactId>
</dependency>

或者,在你的 Gradle 构建文件 build.gradle 中添加:

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-vector-store-qdrant'
}

向量存储实现可以为您初始化所需的模式,但您必须通过在构建器中指定 initializeSchema 布尔值,或在 application.properties 文件中设置 initialize-schema=true 来选择启用此功能。

此外,您还需要一个配置好的 EmbeddingModel bean。有关更多信息,请参阅 EmbeddingModel 部分。

现在,您可以将 QdrantVectorStore 作为向量存储自动装配到您的应用程序中。

@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 Qdrant 并使用 QdrantVectorStore,您需要提供实例的访问详细信息。可以通过 Spring Boot 的 application.yml 提供简单的配置:

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

spring.ai.vectorstore.qdrant.* 开头的属性用于配置 QdrantVectorStore

属性 (Property) 描述 (Description) 默认值 (Default Value)
spring.ai.vectorstore.qdrant.host Qdrant 服务器的主机地址 localhost
spring.ai.vectorstore.qdrant.port Qdrant 服务器的 gRPC 端口 6334
spring.ai.vectorstore.qdrant.api-key 用于身份验证的 API 密钥 -
spring.ai.vectorstore.qdrant.collection-name 要使用的集合 (Collection) 名称 vector_store
spring.ai.vectorstore.qdrant.use-tls 是否使用 TLS (HTTPS) 加密连接 false
spring.ai.vectorstore.qdrant.initialize-schema 是否初始化模式 (Schema) false

手动配置

不使用 Spring Boot 的自动配置,您可以手动配置 Qdrant 向量存储。为此,您需要在项目中添加 spring-ai-qdrant-store 依赖:

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-qdrant-store</artifactId>
</dependency>

或者,在你的 Gradle 构建文件 build.gradle 中添加:

dependencies {
    implementation 'org.springframework.ai:spring-ai-qdrant-store'
}

创建 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());
}

然后使用构建器模式创建 QdrantVectorStore bean:

@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

您同样可以利用通用的、可移植的 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());

或通过编程方式使用 Filter.Expression DSL

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());

注意:这些过滤器表达式被转换为等效的 Qdrant过滤器

访问原生客户端

Qdrant 向量存储实现通过 getNativeClient () 方法提供了对底层原生 Qdrant 客户端(QdrantClient)的访问:

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
}

原生客户端使您能够访问可能未通过 VectorStore 接口公开的 Qdrant 特定功能和操作。

作者:Jeebiz  创建时间:2025-08-03 12:09
最后编辑:Jeebiz  更新时间:2025-09-28 09:15