Qdrant

Qdrant

本部分将引导您完成 Qdrant VectorStore 设置，以存储文档嵌入并执行相似性搜索。

Qdrant 是一个开源、高性能的向量搜索引擎/数据库。

先决条件

• Qdrant 实例：按照 Qdrant 安装说明文档设置 Qdrant 实例。
• 如果需要， 可以给 EmbeddingClient 配置 API 密钥，生成嵌入结果并通过 QdrantVectorStore 存储.

要设置 QdrantVectorStore ，您需要 Qdrant 实例中的以下信息：Host, GRPC Port, Collection Name, 和 API Key（如果需要）。

注意：建议提前创建具有适当尺寸和配置的 Qdrant 系列。如果未创建该集合，QdrantVectorStore 将尝试使用 Cosine 相似性和维度的配置，来初始化 EmbeddingClient。

依赖项

然后将 Qdrant 启动器依赖项添加到您的项目中：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-qdrant-store-spring-boot-starter</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-spring-boot-starter'
}

向量存储还需要一个 EmbeddingClient 实例来计算文档的嵌入。您可以选择可用的 EmbeddingClient 实现之一。

例如，要使用 OpenAI EmbeddingClient，请将以下依赖项添加到您的项目中：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

或者，在你的 Gradle 构建文件 build.gradle 中添加：

dependencies {
    implementation 'org.springframework.ai:spring-ai-openai-spring-boot-starter'
}

要连接到 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 提供简单的配置 application.yml

spring.ai.vectorstore.qdrant.host=<host of your qdrant instance>
spring.ai.vectorstore.qdrant.port=<the GRPC port of your qdrant instance>
spring.ai.vectorstore.qdrant.api-key=<your api key>
spring.ai.vectorstore.qdrant.collection-name=<The name of the collection to use in Qdrant>

# API key if needed, e.g. OpenAI
spring.ai.openai.api.key=<api-key>

现在您可以在应用程序中自动连接 Qdrant Vector Store 并使用它

@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(List.of(document));

// Retrieve documents similar to a query
List<Document> results = vectorStore.similaritySearch(SearchRequest.query("Spring").withTopK(5));

手动配置

除了使用 Spring Boot 自动配置，你还可以手动配置 QdrantVectorStore . 您需要将 spring-ai-qdrant 依赖项添加到您的项目中：

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

要在应用程序中配置 Qdrant，您可以使用以下设置：

@Bean
public QdrantVectorStoreConfig qdrantVectorStoreConfig() {

    return QdrantVectorStoreConfig.builder()
        .withHost("<QDRANT_HOSTNAME>")
        .withPort(<QDRANT_GRPC_PORT>)
        .withCollectionName("<QDRANT_COLLECTION_NAME>")
        .withApiKey("<QDRANT_API_KEY>")
        .build();
}

通过将 Spring Boot OpenAI 启动器添加到您的项目中，与 OpenAI 的嵌入集成。这为您提供了嵌入客户端的实现：

@Bean
public VectorStore vectorStore(QdrantVectorStoreConfig config, EmbeddingClient embeddingClient) {
    return new QdrantVectorStore(config, embeddingClient);
}

元数据过滤

您可以将通用、可移植的元数据过滤器与 Qdrant Vector 存储结合使用。

例如，您可以使用文本表达语言：

vectorStore.similaritySearch(
    SearchRequest.defaults()
    .withQuery("The World")
    .withTopK(TOP_K)
    .withSimilarityThreshold(SIMILARITY_THRESHOLD)
    .withFilterExpression("author in ['john', 'jill'] && article_type == 'blog'"));

或者使用Filter.Expression DSL 的编程方式：

FilterExpressionBuilder b = new FilterExpressionBuilder();

vectorStore.similaritySearch(SearchRequest.defaults()
    .withQuery("The World")
    .withTopK(TOP_K)
    .withSimilarityThreshold(SIMILARITY_THRESHOLD)
    .withFilterExpression(b.and(
        b.in("john", "jill"),
        b.eq("article_type", "blog")).build()));

注意：这些过滤器表达式被转换为等效的 Qdrant过滤器。

配置属性

您可以在 Spring Boot 配置中使用以下属性来自定义 Qdrant 向量存储。