Qdrant怎么用 Rust向量数据库部署教程

Qdrant是一个用Rust写的开源向量数据库，搜索速度快、资源占用低，适合做AI语义搜索和推荐系统。它把向量和业务字段一起存储，既能找相似内容，也能按标签筛选。下面用Docker启动服务，再通过REST API建集合、写入向量并完成搜索；示例向量仅用于演示，实际项目要换成模型生成的嵌入。

第一步：Docker启动Qdrant

先确认电脑已安装并启动Docker，再在终端运行：docker run -p 6333:6333 -p 6334:6334 -v qdrant_storage:/qdrant/storage qdrant/qdrant。这里把数据目录挂到Docker卷，容器重启后数据仍可保留。启动后浏览器打开http://localhost:6333/dashboard，可进入管理界面；本地试用方便，但不要把未鉴权端口直接暴露到公网。

如果想用Docker Compose管理服务，可创建compose.yaml，配置镜像为qdrant/qdrant，并映射6333和6334端口、挂载持久化卷，然后执行docker compose up -d。6333用于HTTP接口，6334用于gRPC客户端。查看状态可运行docker compose ps；需要停止时执行docker compose down，卷通常会保留，除非另外删除。

第二步：创建集合和写入数据

集合（collection）可以理解为一组向量记录。用curl向本机服务发送PUT请求，创建名为articles的集合，并设置向量长度为4、距离类型为Cosine。正式使用时，向量长度必须与嵌入模型输出维度一致，距离指标也应参考模型的训练方式；不能为了照抄示例而把真实向量随意改成4维。

创建后向/collections/articles/points发送PUT请求写入点，点包含唯一ID、向量和payload元数据，例如内容类别、标题或租户编号。演示数据可以使用[0.1,0.2,0.3,0.4]这样的数组，payload则放入{“category”:”guide”}。业务代码中先生成文本嵌入，再把嵌入和原文标识等字段一起写入；批量导入时可分批提交，避免一次请求过大。

配置向量距离和索引

创建集合时常见距离有Cosine、Dot和Euclid。Cosine适合比较方向相似度，Dot常用于模型直接以点积训练的场景，Euclid衡量欧氏距离；具体选择以嵌入模型说明为准。Qdrant会为向量搜索构建索引，默认配置可先用于小规模验证。数据量增长后，再结合内存、延迟和召回效果调整HNSW等索引参数。

如果搜索经常按payload字段过滤，例如category或tenant_id，可以为该字段创建payload索引，帮助过滤查询更有效率。按业务真实筛选条件建索引即可，不必给所有字段都建索引。还要检查向量维度、距离类型与写入数据一致；若集合已创建但配置不合适，评估迁移或重建方案后再调整，避免影响线上查询。

第三步：相似度搜索和过滤

搜索时向/collections/articles/points/search提交查询向量、limit和可选filter，Qdrant会返回最相近的点及score。比如输入与写入时同一模型生成的查询嵌入，并把limit设为5，就能取回前五条候选。score的解释受距离类型影响，建议在应用侧结合业务排序验证，不要把不同指标下的分数直接混用。

要限定类别，可在filter中用must条件匹配payload的category字段；数值字段也可设置范围条件。这样系统先按照语义向量寻找相似内容，同时满足业务筛选规则。调试时先试无过滤查询，再逐步添加条件，并核对返回点的payload与score。生产环境还应配置访问控制、备份和监控，并限制服务端口仅对可信网络开放。

如果希望减少自建运维，也可以评估托管或国内云服务方案，例如火山引擎；选择前对照数据规模、接口兼容性、费用和部署区域。相关入口可查看volcengine.cgref.cn。润灭整理这类部署教程时，建议先在测试环境验证向量维度、过滤逻辑和持久化，再迁移正式数据。