QdrantVectorStore 集成

使用 LangChain JavaScript 集成 QdrantVectorStore。

兼容性：仅适用于 Node.js。

Qdrant 是一个向量相似性搜索引擎。它提供了一个生产就绪的服务，具有便捷的 API 用于存储、搜索和管理点——即带有额外负载的向量。

本指南提供了快速入门 Qdrant 向量存储 的概述。有关 QdrantVectorStore 所有功能和配置的详细文档，请参阅 API 参考。

概述

集成详情

类	包	PY 支持	版本
QdrantVectorStore	@langchain/qdrant	✅

设置

要使用 Qdrant 向量存储，你需要设置一个 Qdrant 实例并安装 @langchain/qdrant 集成包。

本指南还将使用 OpenAI 嵌入，这需要你安装 @langchain/openai 集成包。你也可以使用 其他支持的嵌入模型。

npm

npm install @langchain/qdrant @langchain/core @langchain/openai

安装所需的依赖项后，按照 Qdrant 设置说明 在你的计算机上使用 Docker 运行一个 Qdrant 实例。注意你的容器运行的 URL。

凭证

完成此操作后，设置一个 QDRANT_URL 环境变量：

// 例如 http://localhost:6333
process.env.QDRANT_URL = "你的-qdrant-url"

如果你在本指南中使用 OpenAI 嵌入，你还需要设置你的 OpenAI 密钥：

process.env.OPENAI_API_KEY = "你的_API_密钥";

如果你想获取模型调用的自动追踪，你也可以通过取消注释以下内容来设置你的 LangSmith API 密钥：

// process.env.LANGSMITH_TRACING="true"
// process.env.LANGSMITH_API_KEY="你的-api-key"

实例化

import { QdrantVectorStore } from "@langchain/qdrant";
import { OpenAIEmbeddings } from "@langchain/openai";

const embeddings = new OpenAIEmbeddings({
  model: "text-embedding-3-small",
});

const vectorStore = await QdrantVectorStore.fromExistingCollection(embeddings, {
  url: process.env.QDRANT_URL,
  collectionName: "langchainjs-testing",
});

管理向量存储

向向量存储添加项目

import type { Document } from "@langchain/core/documents";

const document1: Document = {
  pageContent: "细胞的动力源是线粒体",
  metadata: { source: "https://example.com" }
};

const document2: Document = {
  pageContent: "建筑物由砖块构成",
  metadata: { source: "https://example.com" }
};

const document3: Document = {
  pageContent: "线粒体由脂质构成",
  metadata: { source: "https://example.com" }
};

const document4: Document = {
  pageContent: "2024 年奥运会在巴黎举行",
  metadata: { source: "https://example.com" }
}

const documents = [document1, document2, document3, document4];

await vectorStore.addDocuments(documents);

目前不支持顶级文档 ID 和删除操作。

查询向量存储

一旦你的向量存储创建完成并添加了相关文档，你很可能会希望在运行链或代理时查询它。

直接查询

执行简单的相似性搜索可以按如下方式进行：

const filter = {
  "must": [
      { "key": "metadata.source", "match": { "value": "https://example.com" } },
  ]
};

const similaritySearchResults = await vectorStore.similaritySearch("生物学", 2, filter);

for (const doc of similaritySearchResults) {
  console.log(`* ${doc.pageContent} [${JSON.stringify(doc.metadata, null)}]`);
}

* 细胞的动力源是线粒体 [{"source":"https://example.com"}]
* 线粒体由脂质构成 [{"source":"https://example.com"}]

有关 Qdrant 过滤器语法的更多信息，请参阅 此页面。注意所有值必须以 metadata. 为前缀。

如果你想执行相似性搜索并获取相应的分数，可以运行：

const similaritySearchWithScoreResults = await vectorStore.similaritySearchWithScore("生物学", 2, filter)

for (const [doc, score] of similaritySearchWithScoreResults) {
  console.log(`* [相似度=${score.toFixed(3)}] ${doc.pageContent} [${JSON.stringify(doc.metadata)}]`);
}

* [相似度=0.165] 细胞的动力源是线粒体 [{"source":"https://example.com"}]
* [相似度=0.148] 线粒体由脂质构成 [{"source":"https://example.com"}]

通过转换为检索器进行查询

你也可以将向量存储转换为 检索器，以便在你的链中更轻松地使用。

const retriever = vectorStore.asRetriever({
  // 可选过滤器
  filter: filter,
  k: 2,
});
await retriever.invoke("生物学");

[
  Document {
    pageContent: '细胞的动力源是线粒体',
    metadata: { source: 'https://example.com' },
    id: undefined
  },
  Document {
    pageContent: '线粒体由脂质构成',
    metadata: { source: 'https://example.com' },
    id: undefined
  }
]

用于检索增强生成

有关如何使用此向量存储进行检索增强生成 (RAG) 的指南，请参阅以下部分：

• 使用 LangChain 构建 RAG 应用。
• 代理式 RAG
• 检索文档

---

API 参考

有关 QdrantVectorStore 所有功能和配置的详细文档，请参阅 API 参考。

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.