Qdrant 向量数据库安装与入门指南

🚀 Qdrant 向量数据库安装与入门指南

“

本文整理自 Qdrant 官方文档，带你从零开始认识并安装这款当红的向量数据库

📌 写在前面

在 AI 大模型爆发的今天，向量数据库已经成为了 RAG（检索增强生成）、智能推荐、语义搜索等场景的核心基础设施。而 Qdrant 凭借其优秀的性能和友好的 API，正在成为众多开发者的首选。

这篇文章将带你从基础概念开始，一步步完成 Qdrant 的安装和配置～

🤔 什么是向量数据库？

向量数据库是一种专门为处理 AI 模型生成的高维向量数据而设计的数据库。

传统的关系型数据库（MySQL、PostgreSQL 等）存储的是结构化的表格数据，而向量数据库存储的是：

• 🎯 向量数据：AI 模型生成的 embedding（嵌入向量）
• 🏷️ ID：每个向量的唯一标识
• 📦 Payload：附加的元数据信息（可以理解为"备注"）

这些数据共同组成了 Qdrant 中的"集合"（Collection）。

💡 为什么需要向量数据库？

想象一下这些场景：

• 图像识别：每张图片被转换成一个包含成千上万个数值的向量，每个数值代表图片的某个特征
• 音乐推荐：每首歌被表示为一个向量，元素包含节奏、流派、歌词情感等信息
• 语义搜索：每篇文章、每个问题都被向量化，用来计算"意思相近"的程度

向量数据库就是专门为高效处理这类数据而生的！它使用：

• HNSW 索引：分层可导航小世界算法，实现毫秒级的近似最近邻搜索
• 乘积量化：压缩向量体积，节省存储空间

📐 Qdrant 支持的三种距离度量

1️⃣ 余弦相似度 📐

衡量两个向量"方向"是否一致，值范围从 -1 到 1。

• 1 = 完全相同
• 0 = 不相关
• -1 = 完全相反

💡 最常用于文本相似度比较！

2️⃣ 点积 🎯

和余弦相似度类似，但还考虑了向量的"长度"。 如果向量已经归一化（长度为 1），点积就等于余弦相似度。

💡 适合基于词频构建的向量表示！

3️⃣ 欧氏距离 📏

就是我们中学学过的"空间两点之间的直线距离"。 计算两个向量对应位置差值的平方和，再开平方。

💡 直观易懂，广泛应用于各类机器学习场景！

🎯 什么是 Qdrant？

Qdrant 是一款开源的向量相似度搜索引擎，它提供：

• ✅ 生产级服务：稳定可靠，可直接用于线上环境
• ✅ 友好的 API：REST API + gRPC 双支持
• ✅ Payload 支持：每个向量都可以附带额外信息
• ✅ 多语言客户端：Python、JavaScript、Rust、Go 等
• ✅ 三种部署方式：
• 本地 Docker 部署
• Python 客户端直连
• Qdrant Cloud（有免费额度！）

⚙️ Qdrant 安装教程

🐳 Docker 安装（推荐）

Qdrant 官方最推荐的部署方式就是 Docker，一键启动，无需复杂配置！

“

💡 小提示：通常建议把软件安装到 /opt 目录下

⚠️ 国内用户注意：镜像拉取问题

直接从 Docker Hub 拉取 Qdrant 镜像可能会非常慢，甚至失败：

别担心，配置一下国内镜像源就能解决！

🔧 配置 Docker 国内镜像源

步骤 1：编辑（或创建）配置文件

vim /etc/docker/daemon.json

步骤 2：添加镜像配置

{
"registry-mirrors": [
"https://docker.m.daocloud.io"
  ]
}

步骤 3：重启 Docker 服务

systemctl daemon-reload
systemctl restart docker

📋 可用的 Docker 镜像源列表

配置完成后，再次拉取镜像就非常顺畅啦！

▶️ 启动 Qdrant

执行以下命令一键启动：

docker run -p 6333:6333 -p 6334:6334 \
    -v "$(pwd)/qdrant_storage:/qdrant/storage:z" \
    qdrant/qdrant

参数说明：

• 6333 端口：REST API 和 Web UI
• 6334 端口：gRPC API
• 数据卷挂载：将数据持久化到本地目录

启动成功后，你会看到类似这样的日志：

🌐 访问地址

启动成功后，可以通过以下地址访问：

打开 Web UI，你会看到这个欢迎页面：

🎉 恭喜！

Qdrant 已经成功安装并运行了！接下来你可以：

1. 创建你的第一个 Collection
2. 导入向量数据
3. 开始你的语义搜索之旅

“

💡 提示：官方文档有非常详细的快速入门教程，建议继续阅读哦～