用途:该技能提供将 Qdrant 向量数据库集成到 Java 应用(尤其是 Spring Boot 与 LangChain4j)的实践模式,用于语义搜索、推荐系统、RAG 流水线及带过滤条件的高性能相似度检索。
主要能力:部署 Qdrant、添加客户端依赖、初始化客户端、创建集合、写入(upsert)向量、执行相似度查询与带过滤查询,以及通过 LangChain4j 的 QdrantEmbeddingStore 构建 RAG 存储。
使用方式:用 Docker 启动服务,docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage:z" qdrant/qdrant;REST 在 6333,gRPC 在 6334。Maven 依赖为 io.qdrant:client:1.15.0,Gradle 为 implementation 'io.qdrant:client:1.15.0'。通过 QdrantGrpcClient.newBuilder 构建 QdrantClient,生产环境可加 withApiKey。创建集合需指定距离度量与向量维度,随后 upsertAsync 写入 PointStruct,queryAsync 或 searchAsync 检索,过滤用 Filter。LangChain4j 侧用 QdrantEmbeddingStore.builder() 配置集合名、host、port、apiKey,并在 Spring 中以 @Bean 注入。
适用场景:Spring Boot 中的语义搜索与推荐、Java + LangChain4j 的 RAG、AI/ML 应用的向量库接入、多租户按租户分集合存储。
限制与注意:向量维度必须与嵌入模型完全一致,否则写入报错;生产建议用 gRPC(6334),REST(6333)仅用于调试;大批量写入应使用批操作并配置连接池;异步操作需捕获 ExecutionException/InterruptedException;API 密钥应存于环境变量或配置,不可硬编码;摄入前需清洗文档内容,检索结果传给 LLM 前应做内容过滤,以防提示注入;大集合需建立索引以保证检索性能;重建集合会删除全部数据,生产需备份策略。具体收费、价格与平台支持情况暂未提供。