用途：该技能提供将 Qdrant 向量数据库集成到 Java 应用中的模式，重点覆盖 Spring Boot 与 LangChain4j 框架，用于构建 RAG 系统、推荐引擎和语义搜索等向量检索能力。
主要能力：包括 Qdrant 本地部署、Java 客户端初始化、集合管理（距离度量与维度配置）、向量点的批量 upsert、基础相似度查询与带过滤条件的检索；同时提供 Spring Boot 配置类与服务层封装示例，以及基于 LangChain4j 的 QdrantEmbeddingStore、EmbeddingStoreIngestor 与 RAG 服务实现。还涉及多租户集合命名、向量相似度与元数据过滤结合的混合检索等进阶模式。
使用方式：先通过 Docker 启动 Qdrant，命令为 docker pull qdrant/qdrant 与 docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage:z" qdrant/qdrant；REST 接口为 http://localhost:6333，gRPC 接口为 http://localhost:6334。Java 客户端依赖为 io.qdrant:client:1.15.0（Maven/Gradle），LangChain4j 依赖为 dev.langchain4j:langchain4j-qdrant:1.7.0。通过 QdrantGrpcClient 构建客户端，可配置 API Key 与 TLS；在 Spring Boot 中以 @Bean 注入 QdrantClient，并在服务层调用 queryAsync、upsertAsync 等方法。
适用场景：Spring Boot 中的语义搜索与推荐、Java 与 LangChain4j 的 RAG 管道、AI/机器学习应用的向量存储与检索、带过滤的高性能相似度搜索。
限制与注意事项：资料未提供具体性能基准、价格或平台支持范围；示例中的 API Key 需通过环境变量或配置属性管理，不应硬编码；生产环境建议使用 TLS、合理设置距离度量与向量维度、批量操作并监控连接与内存。部分示例代码依赖嵌入模型，需自行提供。