向量搜索

基本流程

1. 准备与 Collection 同维度的 query_vector（通常由同一 Embedding 模型对查询文本编码）。
2. 调用 search，指定 limit（top_k）。
3. 得到按相似度排序的 点 id、score、payload。

Python

query_vector = [0.15] * 384  # 替换为真实查询向量

hits = client.search(
    collection_name="demo_text",
    query_vector=query_vector,
    limit=5,
    with_payload=True,
)

for h in hits:
    print(h.id, h.score, h.payload)

Java

import io.qdrant.client.grpc.Points.SearchPoints;
import java.util.Collections;

var hits = client.searchAsync(
    SearchPoints.newBuilder()
        .setCollectionName("demo_text")
        .addAllVector(/* 与集合维度一致，如 384 维 List<Float> */)
        .setLimit(5)
        .setWithPayload(io.qdrant.client.grpc.Points.WithPayloadSelector.newBuilder().setEnable(true).build())
        .build()
).get();

hits.forEach(p -> System.out.println(p.getId() + " " + p.getScore()));

Java 中 addAllVector 需传入与建表时 size 相同数量的 float；可用循环或 float[] 转 List。

参数说明（常见）

参数	作用
limit	返回前 k 条。
score_threshold	过滤掉低于阈值的命中（可选）。
with_payload	是否返回 payload。
with_vectors	是否返回向量（一般关闭以省带宽）。

精度与速度

limit 很大时会变慢且意义有限；RAG 常见 5～20。若结果不理想，优先检查 模型、距离类型、数据质量，再调 top_k。

下一节：过滤条件，在子集中搜索。