写在前面
最近在学习使用 Langchain 开发一个 AI Agent，其中使用了 Qdrant 向量数据库来作为 AI Agent 的知识库，本篇主要是写关于 Qdrant 在 Langchain 里的一些基本操作，以及遇到的一些问题。
内容
前置准备
首先我们用 docker 的形式来安装，参照官方的 docker 教程即可：
# 拉取镜像
docker pull qdrant/qdrant
# 运行容器，并挂载到当前目录下的 qdrant_storage 文件夹
docker run -p 6333:6333 -p 6334:6334 \-v $(pwd)/qdrant_storage:/qdrant/storage:z \qdrant/qdrant# 想要在 Langchain 里使用 Qdrant，还需要进行以下安装
pip install langchain-qdrant
Qdrant 提供了三种访问方式：
- REST API: localhost:6333
- Web UI: localhost:6333/dashboard
- GRPC API: localhost:6334
初始化
QdrantClient 里面有几个跟地址有关的参数：
- url
- host
- path
- location
它们只能选择一个填写，不能有多于1个有值。它们被分为 Qdrant 的两种模式：本地模式和远端模式。
本地模式
本地模式也就是不需要 Qdrant 服务端的形式存在，它有内存形式和磁盘形式。
内存形式
内存形式就是在你的客户端运行期间，数据会存在，一旦客户端被销毁了，这些数据也就没了。
qdrant = QdrantVectorStore.from_documents(docs,embeddings,location=":memory:", # 需要设置这个值collection_name="my_documents",
)
磁盘形式
磁盘形式则是你可以指定一个本地路径来存放数据。
qdrant = Qdrant.from_documents(docs,embeddings,path="/tmp/local_qdrant",collection_name="my_documents",
)
远端模式
如果我们在远端部署了 Qdrant，想以 C/S 的形式来连接，则应该使用远端模式，也就是填写 url 或 host
url = "<---qdrant url here --->"
qdrant = QdrantVectorStore.from_documents(docs,embeddings,url,prefer_grpc=True, # 这里最好设置为 truecollection_name="my_documents",
)
遇到的一些问题
- 在使用
远端模式的时候，如果没有设置prefer_grpc=True，走 REST 的形式，在一些例如耗时比较久的场景下（例如上传一个文件到 Qdrant 里），容易触发超时。
参考
How to Get Started with Qdrant Locally
Langchain-Qdrant
Requests Timed out
