.NET 原生驾驭 AI 新基建实战系列（四）：Qdrant ── 实时高效的向量搜索利器

向量数据库作为一种专为现代AI应用设计的新型存储技术，能够高效地管理和检索高维数据，成为智能应用开发中的关键基础设施。本文将深入探讨 Qdrant 这个开源、高性能的向量数据库，重点介绍其如何与 .NET 生态系统结合，为开发者提供强大的工具支持。我们将从安装配置到代码实现，再到实际应用场景，全面展示 Qdrant 在 .NET 中的使用方式。

一、Qdrant 简介

Qdrant 是一款专为 AI 和 ML 应用打造的开源向量数据库，旨在提供高效的向量存储和相似性搜索能力。它以高性能、灵活性和易用性为核心设计理念，支持实时查询、元数据过滤和分布式部署，非常适合需要处理大规模高维数据的场景。无论是语义搜索、推荐系统还是多媒体内容检索，Qdrant 都能为开发者提供可靠的支持。

1.1 Qdrant 的核心特点

Qdrant 的独特优势体现在以下几个方面：

开源与高性能：Qdrant 遵循 Apache 2.0 许可，完全开源，开发者可以自由使用和定制。它针对高维向量数据进行了深度优化，确保在大规模数据集上的查询性能。
实时性与灵活性：支持实时向量搜索，并允许在查询时结合元数据过滤，满足复杂的业务逻辑需求。
分布式架构：支持水平扩展，可以部署在多节点集群上，提升系统的可伸缩性和可靠性。
多语言支持：通过 REST API 和 gRPC 接口，Qdrant 能够与多种编程语言无缝集成，包括通过 C# 客户端支持 .NET。
易于集成：官方提供的 Qdrant.Client NuGet 包让 Qdrant 在 .NET 项目中的接入变得简单高效。

1.2 Qdrant 的核心概念

Qdrant 是一个开源向量数据库，专为存储、搜索和管理高维向量设计，广泛应用于人工智能和机器学习领域，尤其是嵌入向量存储和相似性搜索。以下是其核心概念的整理：

嵌入（Embeddings）

嵌入是将原始数据（如文本、图像）转化为高维向量的过程，这些向量捕捉数据的语义信息，是向量数据库的核心数据类型。

相似性搜索（Similarity Search）

相似性搜索是查找与查询向量最相似的向量的过程，Qdrant 使用近似最近邻（ANN）算法实现高效搜索。

集合（Collections）

集合是向量的逻辑分组，类似于传统数据库中的表，包含特定配置（如向量维度和距离度量）。

点（Points）

点是集合中的单个条目，包含向量、唯一 ID 和可选的元数据（负载），是存储和检索的基本单元。

负载（Payload）

负载是与向量关联的元数据（JSON 格式），提供额外上下文并支持搜索时的过滤。

距离度量（Distance Metrics）

距离度量用于衡量向量间的相似性，Qdrant 支持欧几里得距离、余弦相似度和点积等多种方式。

索引（Indexing）

索引是加速向量搜索的数据结构，Qdrant 使用 HNSW（层次可导航小世界）算法实现高效近似最近邻搜索。

过滤（Filtering）

过滤允许基于负载元数据添加搜索条件，实现更精确的检索结果。

Qdrant 提供 RESTful 和 gRPC API，用于向量插入、搜索和集合管理等操作。

分布式部署（Distributed Deployment）

Qdrant 支持分布式部署，多节点协同处理大规模数据和高并发请求，提升可扩展性和性能。

1.3 Qdrant 的工作机制

Qdrant 的核心在于其高效的向量索引和搜索技术。它采用了 HNSW（Hierarchical Navigable Small World）等先进算法来构建向量索引，支持多种距离度量方式，如欧几里得距离、余弦相似度和内积。开发者可以将文本、图像或其他数据的嵌入（embeddings）存储在 Qdrant 中，通过相似性搜索快速找到最相关的结果。这种机制特别适用于需要理解数据深层语义的场景，与传统的关键字匹配方式形成了鲜明对比。

与 Chroma 类似，Qdrant 的设计也强调了易用性和性能，但它在分布式支持和实时性上更进一步，为需要高可用性和低延迟的应用提供了额外的优势。

二、在 .NET 中安装与配置 Qdrant 环境

要在 .NET 项目中使用 Qdrant，开发者需要安装其 C# 客户端库并完成基本配置。以下是详细的步骤，确保从零开始的开发者也能顺利上手。

2.1 安装 Qdrant.Client NuGet 包

Qdrant 提供了官方的 C# 客户端库，可以通过 NuGet 包管理器轻松安装，注意以下包存在预览版，所以需要加上预览标识：

Qdrant.Client，
Microsoft.SemanticKernel.Connectors.Qdrant
Microsoft.Extensions.AI
Microsoft.Extensions.AI.Ollama

命令行安装：在 Visual Studio 的“包管理器控制台”中运行以下命令：

Install-Package Qdrant.Client

Install-Package Microsoft.SemanticKernel.Connectors.Qdrant  --prerelease

Install-Package Microsoft.Extensions.AI  --prerelease

Install-Package Microsoft.Extensions.AI.Ollama  --prerelease

图形界面安装：
- 右键点击 .NET 项目，选择“管理 NuGet 包”。
- 在搜索框中输入 Qdrant.Client等包，选择官方包。
- 点击“安装”，等待安装完成。

安装成功后，项目会自动引用 Qdrant.Client，为后续开发奠定基础。

2.2 配置 Qdrant 客户端

在使用 Qdrant 之前，需要初始化一个 QdrantClient 实例，并指定连接参数。以下是一个简单的配置示例：

using Qdrant.Client;

var vectorStore = new QdrantVectorStore(new QdrantClient("localhost"));

host：Qdrant 服务的地址，默认值为 localhost。如果服务部署在远程服务器上，需要替换为实际 IP 或域名。
port：Qdrant 的默认端口为 6334，可根据实际部署调整。

2.3 启动 Qdrant 服务

Qdrant 客户端需要连接到一个运行中的 Qdrant 实例。开发者可以通过以下方式启动服务：

Docker 部署：使用以下命令在本地运行 Qdrant：

docker run -d -p 6333:6333 -p 6334:6334 qdrant/qdrant

手动运行：从 Qdrant 的 GitHub 仓库下载二进制文件，解压后执行：
```
./qdrant
```

服务启动后，.NET 客户端即可通过指定的地址和端口与之通信。与 Chroma 类似，Qdrant 的安装过程简单明了，但其 Docker 支持和分布式特性为大规模部署提供了更多选择。

UI界面

大家可以打开地址：http://localhost:6333/dashboard#/welcome，查看UI界面

2.4 安装Ollama并配置相关模型

安装mxbai-embed-large用于生成嵌入向量

三、Qdrant 在 .NET 中的代码示例

为了让开发者快速掌握 Qdrant 的使用方法，以下提供了一系列实用的代码示例，涵盖创建集合、添加数据、执行查询和元数据过滤等核心功能。

3.1 创建集合

在 Qdrant 中，集合（Collection）是存储向量的基本单位。以下代码展示了如何创建一个名为skhotels的集合：

首先需要创建Hotel实体，注意DescriptionEmbedding字段的Dimensions数值为384，这与我们使用的模型有关，模型发生变化，这个数值也要发生变化。

using Microsoft.Extensions.VectorData;

namespace QdrantVectorTest;

/// <summary>

/// 

/// </summary>

public class Hotel

{

    /// <summary>

    /// Gets or sets the hotel identifier.

    /// </summary>

    /// <value>

    /// The hotel identifier.

    /// </value>

    [VectorStoreRecordKey]

    public ulong HotelId { get; set; }

    /// <summary>

    /// Gets or sets the name of the hotel.

    /// </summary>

    /// <value>

    /// The name of the hotel.

    /// </value>

    [VectorStoreRecordData(IsFilterable = true)]

    public string HotelName { get; set; }

    /// <summary>

    /// Gets or sets the description.

    /// </summary>

    /// <value>

    /// The description.

    /// </value>

    [VectorStoreRecordData(IsFullTextSearchable = true)]

    public string Description { get; set; }

    /// <summary>

    /// Gets or sets the description embedding.

    /// </summary>

    /// <value>

    /// The description embedding.

    /// </value>

    [VectorStoreRecordVector(Dimensions: 384, DistanceFunction.CosineSimilarity, IndexKind.Hnsw)]

    public ReadOnlyMemory<float>? DescriptionEmbedding { get; set; }

    /// <summary>

    /// Gets or sets the tags.

    /// </summary>

    /// <value>

    /// The tags.

    /// </value>

    [VectorStoreRecordData(IsFilterable = true)]

    public string[] Tags { get; set; }

}

using Microsoft.Extensions.AI;

using Microsoft.SemanticKernel.Connectors.Qdrant;

using Qdrant.Client;

using QdrantVectorTest;

#pragma warning disable SKEXP0001

var vectorStore = new QdrantVectorStore(new QdrantClient("localhost"));

var collection = vectorStore.GetCollection<ulong, Hotel>("skhotels");

await collection.CreateCollectionIfNotExistsAsync();

集合创建成功：

3.2 添加向量嵌入生成算法

这里通过Ollama使用all-minilm作为向量嵌入生成算法模型

async Task<ReadOnlyMemory<float>> GenerateEmbeddingAsync(string descriptionText)

{

    IEmbeddingGenerator<string, Embedding<float>> generator =

        new OllamaEmbeddingGenerator(new Uri("http://localhost:11434/"), "all-minilm");

    var embedding = await generator.GenerateEmbeddingVectorAsync(descriptionText);

    return embedding;

}

3.2 添加向量数据

向集合中添加点（points）时，需要指定 ID、向量和可选的元数据（payload）。以下示例展示了如何添加两篇文档的向量和元数据：

string descriptionText = "一个高档的参加团队聚会的地方";

ulong hotelId = 1;

await collection.UpsertAsync(new Hotel

{

    HotelId = hotelId,

    HotelName = "Bulgari",

    Description = descriptionText,

    DescriptionEmbedding = await GenerateEmbeddingAsync(descriptionText),

    Tags = new[] { "luxury", "pool" }

});

3.3 执行相似性搜索

通过向量查询，可以找到与给定向量最相似的点。以下代码展示了如何检索与查询向量最接近的两篇文章：



ReadOnlyMemory<float> searchVector = await GenerateEmbeddingAsync("我需要找一家高档酒店");

var searchResult = await collection.VectorizedSearchAsync(searchVector, new() { Top = 1 });

await foreach (var record in searchResult.Results)

{

    Console.WriteLine("描述信息: " + record.Record.Description);

    Console.WriteLine("匹配分数: " + record.Score);

}

输出如下：

四、Qdrant 应用场景

4.1 语义搜索系统

在企业文档管理系统中，传统的关键字搜索难以捕捉用户意图的深层含义。通过将文档内容转换为嵌入并存储在 Qdrant 中，开发者可以实现语义搜索。例如，用户输入“如何提高团队协作效率”，系统能够返回与团队管理、协作工具相关的内容，而不仅仅是包含“效率”一词的文档。

4.2 个性化推荐引擎

在电商平台中，Qdrant 可以存储用户行为和商品特征的向量表示。例如，将用户的浏览历史和商品描述转换为嵌入，通过相似性搜索为用户推荐相关产品。这种方法能够捕捉用户兴趣的细微变化，提供更精准的推荐体验。

4.3 多媒体内容检索

在图像或视频管理应用中，Qdrant 可以存储多媒体内容的嵌入向量。例如，用户上传一张风景照片，系统能够快速返回视觉上相似的图像，适用于内容推荐、版权检测等场景。与 Chroma 类似，Qdrant 在这一领域表现出色，但其分布式支持使其更适合处理大规模多媒体数据。

4.4 智能问答系统

在客户支持应用中，Qdrant 可以存储常见问题及其答案的向量表示。用户提问时，系统通过向量搜索返回最匹配的答案，提升响应速度和准确性。这种应用与 Chroma 的 NLP 场景类似，但 Qdrant 的实时性使其在高并发场景中更具优势。

五、Qdrant 与 .NET 生态系统的集成

Qdrant 不仅可以通过 C# 客户端直接使用，还能与 .NET 生态中的其他工具深度结合，提升开发效率：

Semantic Kernel：微软推出的 AI 开发框架支持与 Qdrant 集成，开发者可以将其作为向量存储，用于构建复杂的 AI 工作流。
ASP.NET Core：通过依赖注入机制，Qdrant 客户端可以轻松集成到 Web 应用中，为实时智能功能提供支持。
Entity Framework 风格的扩展：借助 Microsoft.Extensions.VectorData，Qdrant 可以与 .NET 的标准化数据访问接口协作，简化开发流程。

这些集成特性与 Chroma 在 .NET 中的应用方式相似，但 Qdrant 的分布式支持和 gRPC 接口为其带来了额外的灵活性。

六、性能优化技巧

为了在 .NET 中充分发挥 Qdrant 的潜力，开发者可以采用以下优化策略：

索引优化：调整 HNSW 参数（如 m 和 ef_construction），在查询速度和精度之间找到最佳平衡。
分布式部署：对于大规模数据，利用 Qdrant 的集群功能分片存储和并行查询，提升吞吐量。
本地缓存：在 .NET 应用中为热点查询添加缓存层，减少对 Qdrant 的直接请求。

这些技巧虽与 Chroma 的性能优化建议有异曲同工之妙，但 Qdrant 的分布式特性为其在大规模场景中的优化提供了更多可能性。

七、Qdrant 的未来发展展望

随着向量数据库在 AI 驱动应用中的重要性日益凸显，Qdrant 作为一款开源项目展现出广阔的前景：

功能增强：未来可能支持更多索引类型和距离度量，满足多样化的应用需求。
性能突破：通过算法优化，进一步提升大规模数据集的处理能力。
云原生支持：推出官方托管服务，降低部署门槛，为 .NET 开发者提供开箱即用的解决方案。
生态融合：与 .NET 的深度集成可能带来更多专用工具和文档，提升开发体验。

与 Chroma 的发展方向类似，Qdrant 也在不断演进，但其分布式架构和实时性为其在企业级应用中赢得了一席之地。

八、结语

Qdrant 作为一款高性能、开源的向量数据库，为 .NET 开发者提供了一个强大的工具，用于构建高效的智能应用。从简单的安装配置到丰富的代码示例，再到多样化的应用场景，Qdrant 展示了其在语义搜索、推荐系统和多媒体检索等领域的潜力。通过与 .NET 生态系统的无缝集成，开发者可以快速将其融入现有项目，释放 AI 技术的价值。未来，随着 Qdrant 的持续发展，其在 .NET 社区中的影响力将进一步扩大，为智能应用的创新提供更多可能。