认识 Qdrant

Qdrant 是什么

Qdrant 是一款开源的向量搜索引擎（也常称为向量数据库）。它专门用来存储高维向量，并支持相似度检索：给定一个查询向量，快速找出库中与它「最像」的一批向量。

典型场景包括：

场景	说明
RAG（检索增强生成）	把文档切成块，向量化后存入 Qdrant；用户提问时先检索相关片段，再交给大模型回答。
以图搜图 / 以文搜图	图像或文本经模型变成向量，按相似度找相似内容。
推荐与去重	用户/商品向量近邻搜索、相似内容聚类。

Qdrant 用 Rust 实现，强调性能与资源控制，同时提供 REST API、gRPC、Web 控制台 以及 Python、Java 等官方客户端。

和关系型数据库的区别

• MySQL 等：按主键、精确条件、范围查询；适合结构化业务数据。
• Qdrant：核心是「这个向量附近有哪些点」；适合语义相似而非字符串完全相等。

二者常配合使用：业务元数据、订单、用户表在关系库；语义检索在 Qdrant，通过 Payload（见后文）里的 user_id、doc_id 等与业务表关联。

你会在本书里学到什么

1. 概念：Collection、Point、Vector、Payload、距离度量。
2. 动手：Docker 启动、控制台浏览、用 Python / Java 完成建库、写入、搜索。
3. 进阶：过滤、批量、量化、分片、简易 RAG 思路。

下一节我们从「向量从哪来」讲起：Embedding。