{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}

Qdrant Vector Search

用于 RAG 和语义搜索的高性能向量相似度搜索引擎。适用于构建需要快速最近邻搜索、带过滤的混合搜索，或基于 Rust 高性能的可扩展向量存储的生产级 RAG 系统。

Skill 元数据


来源	可选 — 使用 `hermes skills install official/mlops/qdrant` 安装
路径	`optional-skills/mlops/qdrant`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖	`qdrant-client>=1.12.0`
平台	linux, macos, windows
标签	`RAG`, `Vector Search`, `Qdrant`, `Semantic Search`, `Embeddings`, `Similarity Search`, `HNSW`, `Production`, `Distributed`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。

Qdrant - 向量相似度搜索引擎

用 Rust 编写的高性能向量数据库，适用于生产级 RAG 和语义搜索。

何时使用 Qdrant

在以下情况下使用 Qdrant：

构建需要低延迟的生产级 RAG 系统

需要混合搜索（向量 + 元数据过滤）

需要通过分片/副本实现水平扩展

希望本地部署并完全掌控数据

每条记录需要多向量存储（稠密 + 稀疏）

构建实时推荐系统

核心特性：

Rust 驱动：内存安全，高性能

丰富过滤：在搜索时按任意 payload 字段过滤

多向量：每个点支持稠密、稀疏、多稠密向量

量化：标量、乘积、二值量化，节省内存

分布式：Raft 共识、分片、副本

REST + gRPC：两套 API 功能完全对等

以下情况请使用替代方案：

Chroma：更简单的配置，嵌入式使用场景

FAISS：追求极致原始速度，研究/批处理场景

Pinecone：完全托管，零运维偏好

Weaviate：偏好 GraphQL，内置向量化器

快速开始

安装

基本用法

核心概念

Points（点）— 基本数据单元

Collections（集合）— 向量容器

距离度量

度量	使用场景	范围
`COSINE`	文本 embedding、归一化向量	0 到 2
`EUCLID`	空间数据、图像特征	0 到 ∞
`DOT`	推荐系统、非归一化向量	-∞ 到 ∞
`MANHATTAN`	稀疏特征、离散数据	0 到 ∞

搜索操作

基本搜索

带过滤的搜索

批量搜索

RAG 集成

与 sentence-transformers 集成

与 LangChain 集成

与 LlamaIndex 集成

多向量支持

命名向量（不同 embedding 模型）

稀疏向量（BM25、SPLADE）

量化（内存优化）

Payload 索引

生产部署

Qdrant Cloud

性能调优

最佳实践

批量操作 — 使用批量 upsert/search 提升效率

Payload 索引 — 对过滤中使用的字段建立索引

量化 — 对大型集合（>100 万向量）启用量化

分片 — 对超过 1000 万向量的集合使用分片

磁盘存储 — 对大型 payload 启用 on_disk_payload

连接池 — 复用客户端实例

常见问题

带过滤的搜索速度慢：

内存不足：

连接问题：

参考资料

高级用法 — 分布式模式、混合搜索、推荐系统

故障排查 — 常见问题、调试、性能调优

资源

GitHub：https://github.com/qdrant/qdrant（22k+ stars）

文档：https://qdrant.tech/documentation/

Python 客户端：https://github.com/qdrant/qdrant-client

Cloud：https://cloud.qdrant.io

版本：1.12.0+

许可证：Apache 2.0

"Qdrant Vector Search — 用于 RAG 和语义搜索的高性能向量相似度搜索引擎"

Qdrant Vector Search#

Skill 元数据#

参考：完整 SKILL.md#

Qdrant - 向量相似度搜索引擎#

何时使用 Qdrant#

快速开始#

安装#

基本用法#

核心概念#

Points（点）— 基本数据单元#

Collections（集合）— 向量容器#

距离度量#

搜索操作#

基本搜索#

带过滤的搜索#

批量搜索#

RAG 集成#

与 sentence-transformers 集成#

与 LangChain 集成#

与 LlamaIndex 集成#

多向量支持#

命名向量（不同 embedding 模型）#

稀疏向量（BM25、SPLADE）#

量化（内存优化）#

Payload 索引#

生产部署#

Qdrant Cloud#

性能调优#

最佳实践#

常见问题#

参考资料#

资源#

Qdrant Vector Search

Skill 元数据

参考：完整 SKILL.md

Qdrant - 向量相似度搜索引擎

何时使用 Qdrant

快速开始

安装

基本用法

核心概念

Points（点）— 基本数据单元

Collections（集合）— 向量容器

距离度量

搜索操作

基本搜索

带过滤的搜索

批量搜索

RAG 集成

与 sentence-transformers 集成

与 LangChain 集成

与 LlamaIndex 集成

多向量支持

命名向量（不同 embedding 模型）

稀疏向量（BM25、SPLADE）

量化（内存优化）

Payload 索引

生产部署

Qdrant Cloud

性能调优

最佳实践

常见问题

参考资料

资源