Qdrant（讀作 quadrant）是一個(gè)向量相似度搜索引擎和向量數(shù)據(jù)庫。它提供了一個(gè)生產(chǎn)就緒的服務(wù)，并具有便捷的 API，用于存儲(chǔ)、搜索和管理點(diǎn)，具有附加負(fù)載的向量。

Qdrant 是專為擴(kuò)展過濾支持而設(shè)計(jì)的，這使得它適用于各種基于神經(jīng)網(wǎng)絡(luò)或語義匹配、分面搜索等應(yīng)用。

Qdrant 使用 Rust 編寫，即使在高負(fù)載下也能快速、可靠地工作。至于性能文章后面有基準(zhǔn)測試結(jié)果。

使用 Qdrant，embeddings或神經(jīng)網(wǎng)絡(luò)編碼器可以直接轉(zhuǎn)化為完備的應(yīng)用程序，然后用于匹配、搜索、推薦等等！

github非常熱門，每天均以500star速度飆升。

什么是向量數(shù)據(jù)庫

再搞清楚這個(gè)問題之前，先需要知道什么是向量(vector)。

什么是向量

在AI領(lǐng)域中，向量是一個(gè)具有大小和方向的數(shù)學(xué)對(duì)象。它可以用來表示現(xiàn)實(shí)世界中的各種事物，例如圖像、語音、文本等。

在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中，向量通常被用作表示數(shù)據(jù)的形式，其中每個(gè)向量的維度代表了不同的特征或?qū)傩浴＠纾趫D像分類任務(wù)中，一個(gè)圖像可以被表示為像素值組成的向量；在自然語言處理任務(wù)中，一句話可以被表示為單詞嵌入（word embeddings）組成的向量。通過對(duì)這些向量進(jìn)行計(jì)算和比較，機(jī)器可以從數(shù)據(jù)中提取出有用的信息，如相似性、聚類等。

拿比如人臉識(shí)別技術(shù)來說，計(jì)算機(jī)從照片或視頻中提取出人臉的圖像，然后將人臉圖像轉(zhuǎn)換為128維或者更高維度的向量。說到向量，就離不開embeddings。下面說下embeddings是什么。

什么是embeddings

embeddings是一個(gè)相對(duì)低維度的空間，可以將高維向量轉(zhuǎn)換為低維度。embeddings使得在大型輸入上搞機(jī)器學(xué)習(xí)更加容易，例如表示單詞的稀疏向量。最理想的情況是，embeddings能夠通過將語義上相似的輸入放置在embeddings空間中彼此靠近來捕獲輸入的某些語義。可以在不同的模型中學(xué)習(xí)和重復(fù)使用嵌入。

這里有一個(gè)之前學(xué)習(xí)過的Google出品的機(jī)器學(xué)習(xí)的課程可以參考：

官方網(wǎng)站：

https://developers.google.com/machine-learning/crash-course/embeddings/video-lecture?hl=en

什么是向量檢索

向量搜索是一種使用機(jī)器學(xué)習(xí)模型在索引中檢測對(duì)象間語義關(guān)系的方法，以找到具有相似特征的相關(guān)對(duì)象。

向量搜索和推薦的解決方案變得越來越常見。如果你想在你的網(wǎng)站上添加自然語言文本搜索、創(chuàng)建圖像搜索或構(gòu)建強(qiáng)大的推薦系統(tǒng)，那么你就需要考慮使用向量技術(shù)。

為什么需要向量數(shù)據(jù)庫

上面的一些概念解釋了之后，其實(shí)在 AI 領(lǐng)域中，向量數(shù)據(jù)庫是為了更高效地存儲(chǔ)和檢索大規(guī)模高維度的向量數(shù)據(jù)而設(shè)計(jì)的。由于傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)并不擅長處理向量數(shù)據(jù)，因此需要專門的向量數(shù)據(jù)庫來支持各種應(yīng)用場景，例如語義搜索、圖像檢索、推薦系統(tǒng)等。

與傳統(tǒng)數(shù)據(jù)庫不同，向量數(shù)據(jù)庫可以使用特殊的索引結(jié)構(gòu)和相似度度量方法，在高維度向量空間中快速查找相似的向量。例如，一些流行的向量數(shù)據(jù)庫如 Faiss 和 Annoy 使用基于倒排索引和近似最近鄰搜索（Approximate Nearest Neighbor Search）的技術(shù)，極大地加快了向量數(shù)據(jù)的查詢速度。

向量數(shù)據(jù)庫還提供了方便的 API 接口和工具庫，使得用戶可以輕松地將其集成到自己的應(yīng)用程序中，并進(jìn)行快速的向量搜索。因此，在許多需要處理大規(guī)模向量數(shù)據(jù)的 AI 應(yīng)用中，向量數(shù)據(jù)庫成為了不可或缺的組件。

qdrant如何使用

在Python中直接使用一個(gè)基于內(nèi)存的qdrant

pipinstallqdrant-client

python客戶端提供了一種方便的方式在本地啟動(dòng)qrant:

fromqdrant_clientimportQdrantClient
qdrant=QdrantClient("")#創(chuàng)建一個(gè)內(nèi)存Qdrant實(shí)例,可以用來測試CICD
#或者
client=QdrantClient(path="path/to/db")#持久化到磁盤

客戶端

這是推薦在生產(chǎn)中使用的方法。使用命令直接運(yùn)行容器：

dockerrun-p6333:6333qdrant/qdrant

現(xiàn)在，可以使用任何客戶（包括Python）連接到服務(wù)端：

qdrant=QdrantClient("http://localhost:6333")

目前支持的客戶端有：

• 官方: Go client

• 官方: Rust client

• 官方: JavaScript/TypeScript client

• 官方: Python client

• 社區(qū): Elixir

• 社區(qū): PHP

• 社區(qū): Ruby

• 社區(qū): Java

Demo示例工程

總結(jié)

如今大模型浪潮浩浩蕩蕩，紅紅火火。向量數(shù)據(jù)庫被看做是Ai Infra中最關(guān)鍵的一環(huán)，這種專門用于存儲(chǔ)，索引和查詢向量的數(shù)據(jù)庫系統(tǒng)，可以讓大模型更高效的存儲(chǔ)和讀取知識(shí)庫，并且以更低成本的進(jìn)行模型微調(diào)。Rust作為新基建的首選語言，也會(huì)在Ai infra中被大量采用。

一文告訴你為什么Mojo比python快35000x

一個(gè)用Rust寫的Go編譯器

極簡而強(qiáng)大: 一個(gè)用 Rust 編寫的 Shell 歷史記錄工具