企业官网建设流程全解析

Qdrant向量数据库零基础上手：30分钟跑通你的第一个相似搜索

【免费下载链接】qdrantQdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/项目地址: https://gitcode.com/GitHub_Trending/qd/qdrant

当你有一百万张图片想找出"和这张最像的十张"，或者商品评论想按"语义相近"而不是关键词去检索时，传统 SQL 数据库就彻底歇菜了——它只会精确匹配，不会比较"像不像"。这时候你需要的是 Qdrant，一个用 Rust 写的高性能向量数据库，专攻"相似度检索"这一件事。别被"向量"两个字吓到，这篇文章我带你把它当成一个普通数据库用起来，30 分钟就能跑通完整流程。

第一步：一条命令把 Qdrant 跑起来

先别管原理，直接动手。只要机器上有 Docker，一行命令就能启动完整服务：

docker run -p 6333:6333 qdrant/qdrant

启动后访问http://localhost:6333/dashboard就能看到可视化管理界面。这个启动方式来自项目官方文档：README.md；想用源码编译或自定义挂载存储路径，参考 docs/DEVELOPMENT.md。

Qdrant 同时提供 REST 和 gRPC 两套 API（默认端口 6333/6334），所以接下来你可以用任何语言调用它。Python 里是这样建立连接的：

from qdrant_client import QdrantClient client = QdrantClient(url="http://localhost:6333")

到这里，"数据库"已经在你电脑上跑起来了。是不是比想象中简单？

大白话讲核心：向量、Point 和那张"导航图"

Qdrant 里的概念只有三个，用快递分拣中心来比喻最好懂：

• 向量（Vector）：一串数字，相当于包裹上贴的"特征码"。同一类东西（比如同一部电影的海报）特征码会更接近。
• Point（点）：一个数据单元 = 向量 + 附加信息（payload）。就像包裹本体 + 上面的备注（价格、分类、地区）。
• Collection（集合）：装着同一类点的"分拣区"，相当于传统数据库里的一张表。

你写入数据后，Qdrant 会给它们建一张"相似度导航图"（也就是 HNSW 索引）。找相似向量时，它不一个个翻包裹，而是像查字典一样先翻拼音目录、再定位页码，一层层缩小范围。所以数据量越大，这种"先粗筛后精找"的优势越明显。一张官方架构图可以帮你建立整体印象：

一个 Collection 被切成多个 segment 分块存储，每个 segment 内部有向量存储、payload 存储、索引等组件，数据先写 WAL 日志保证不丢，再由后台优化器整理——这套设计就是它敢接"亿级数据"的底气。

如果你好奇这些默认参数从哪来，打开 config/config.yaml 就能看到完整的 HNSW 配置注释，比如：

hnsw_index: m: 16 # 每个节点连几条边，越大越准、越占空间 ef_construct: 100 # 建索引时考虑多少个邻居，越大索引质量越高、越慢

先不用改，知道它们存在即可，第五节会讲怎么调。

实战：给电影库做一个相似推荐

光说不练假把式。我们用一个真实场景走完"建集合 → 写数据 → 相似搜索"全流程：一个只有几部电影的小库，但套路和百万级数据完全一致。

1. 建集合（相当于建表），向量维度 4，用余弦距离：

curl -X PUT http://localhost:6333/collections/movies \ -H 'Content-Type: application/json' \ -d '{"vectors": { "size": 4, "distance": "Cosine" }}'

2. 写入三条"电影点"，注意 id 是主键，payload 是业务字段：

curl -X PUT "http://localhost:6333/collections/movies/points?wait=true" \ -H 'Content-Type: application/json' \ -d '{"points": [ {"id": 1, "vector": [0.9, 0.1, 0.2, 0.4], "payload": {"title": "星际穿越", "genre": "科幻"}}, {"id": 2, "vector": [0.1, 0.9, 0.3, 0.2], "payload": {"title": "这个杀手不太冷", "genre": "剧情"}}, {"id": 3, "vector": [0.8, 0.2, 0.3, 0.5], "payload": {"title": "盗梦空间", "genre": "科幻"}} ]}'

3. 拿着一个"想看"的向量去搜，顺便用 filter 限定只看科幻片：

curl -X POST http://localhost:6333/collections/movies/points/search \ -H 'Content-Type: application/json' \ -d '{"vector": [0.82, 0.18, 0.3, 0.48], "top": 2, "filter": {"must": [{"key": "genre", "match": {"value": "科幻"}}]}}'

返回结果大致长这样（分数越高越相似）：

{ "result": [ {"id": 3, "score": 0.99, "payload": {"title": "盗梦空间", "genre": "科幻"}}, {"id": 1, "score": 0.98, "payload": {"title": "星际穿越", "genre": "科幻"}} ], "status": "ok", "time": 0.001 }

注意两点：剧情片《这个杀手不太冷》被 filter 挡掉了，尽管它的向量也在库里；排序完全由"相似度分数"决定。这套 curl 命令不是我自己编的，项目自带一份覆盖全部基础 API 的测试脚本 tests/basic_api_test.sh，照着它敲一遍，等于把官方验收流程走了一遍。

写入时底层发生了什么？看这张时序图就懂了：请求先落 WAL 保证不丢，再交给更新器处理，优化器在后台异步合并小段。所以写入返回很快，索引整理不阻塞你：

5 个高频调参与避坑清单

用上之后，下面这几条最值得记，每条都讲"为什么 + 怎么做"：

另外两个常见坑：一是写数据默认是异步的，想要"写完立刻能查到"就加?wait=true参数（上面实战里就是这么干的）；二是集群模式下多个副本的replication_factor默认是 1，生产环境记得调高。

下一步：周边生态与官方资料去哪找

如果你觉得 REST API 好用，Qdrant 还提供了 Python、Go、Rust、JavaScript、.NET、Java 等官方客户端，文档都在 README.md 里列出了入口；其中 Python 客户端是社区里用得最多的，语义搜索、推荐系统教程也最全。

想更深入的话，这几个地方值得逛：

• HNSW 索引源码：lib/segment/src/index/hnsw_index/hnsw.rs，看注释就能理解每个参数的真实作用；
• Qdrant Edge：嵌入式版本，可以直接跑在 App 进程内，适合离线场景；
• 路线图：docs/roadmap/README.md，能看到增量索引、GPU 加速等规划；
• 测试与调优脚本：tests/ 目录下的 openapi 测试、tools/unit-test-coverage.sh，想贡献代码可以从跑通测试开始。

结尾：现在就动手

到这里，你已经知道了 Qdrant 是什么、怎么启动、怎么写数据、怎么搜索、怎么调参——剩下的就是把你的真实业务数据灌进去试试。向量数据库没你想的那么神秘，一条docker run就能开始探索。去把收藏夹里那些"像不像"的需求翻出来，今晚就让它们跑起来吧 🚀

【免费下载链接】qdrantQdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/项目地址: https://gitcode.com/GitHub_Trending/qd/qdrant