# Självupptagna Vektordatabaser med Qdrant: En djupdykning

<datetime class="hidden">2025-11-23T13:00</datetime>

<!-- category -- ASP.NET, Semantic Search, Vector Databases, Qdrant, RAG, AI-Article -->
# Inledning

**med anknytning till RAG-serien:** Denna artikel ger en djupdykning i Qdrant, vektordatabasen som används i:

- [Del 4: ONNX- och Qdrant-genomförande](/blog/semantic-search-with-onnx-and-qdrant) - Bygga semantisk sökning
- [Del 5: Hybridsökning och automatisk indexning](/blog/rag-hybrid-search-and-indexing) - Produktionsintegration

[Qdrant Ordförande](https://qdrant.tech/) (uttalas "kvadrant") är en öppen vektordatabas byggd i Rust. Denna artikel omfattar kärnkoncept, C#-klienten, prestandainställning och produktionsmönster.

[TOC]

# Vad är Qdrant?

En förteckning över de behöriga myndigheter som avses i punkt 1 i denna artikel ska upprättas i enlighet med det förfarande som avses i artikel 4 i förordning (EU) nr 952/2013. [vektordatabas](https://qdrant.tech/documentation/overview/) lagrar högdimensionella vektorer (inbäddningar) och möjliggör snabb likhetssökning. Till skillnad från traditionella databaser som hittar exakta matchningar, Qdrant hittar *Semantiskt liknande* varor.

```mermaid
flowchart LR
    A[Text: 'Docker deployment'] --> B[Embedding Model]
    B --> C["Vector: [0.12, -0.34, 0.56, ...]"]
    C --> D[Qdrant]
    E[Query: 'container setup'] --> F[Embedding Model]
    F --> G["Vector: [0.11, -0.32, 0.58, ...]"]
    G --> H[Similarity Search]
    D --> H
    H --> I[Similar Results]

    style B stroke:#6366f1,stroke-width:3px
    style D stroke:#ef4444,stroke-width:3px
    style F stroke:#6366f1,stroke-width:3px
    style H stroke:#10b981,stroke-width:2px
```

**Nyckelfunktioner för Qdrant:**

- [HNSW-indexering](https://qdrant.tech/documentation/concepts/indexing/) - Underlinjära söktider
- [Filtrering](https://qdrant.tech/documentation/concepts/filtering/) - Kombinera likhetssökning med metadatafilter
- [gRPC & REST API:er](https://qdrant.tech/documentation/interfaces/) - Högpresterande tillgång
- [Distribuerad utplacering](https://qdrant.tech/documentation/guides/distributed_deployment/) - Skala horisontellt
- [Ögonblicksbilder](https://qdrant.tech/documentation/concepts/snapshots/) - Säkerhetskopiera och återställa

# Grundläggande begrepp

## Samlingar

En förteckning över de behöriga myndigheter som avses i punkt 1 i denna artikel ska upprättas i enlighet med det förfarande som avses i artikel 4 i förordning (EU) nr 952/2013. [insamling](https://qdrant.tech/documentation/concepts/collections/) är som ett bord - det håller vektorer med en fast dimensionalitet och avstånd metrisk.

```mermaid
flowchart TB
    subgraph Collection["Collection: blog_posts"]
        A[Vector Size: 384]
        B[Distance: Cosine]
        C[HNSW Index]
    end

    subgraph Points
        D[Point 1: slug=docker-intro]
        E[Point 2: slug=kubernetes-basics]
        F[Point N...]
    end

    Collection --> Points

    style A stroke:#6366f1,stroke-width:2px
    style B stroke:#6366f1,stroke-width:2px
    style C stroke:#f59e0b,stroke-width:2px
    style D stroke:#10b981,stroke-width:2px
    style E stroke:#10b981,stroke-width:2px
```

```csharp
// Create collection - see https://qdrant.tech/documentation/concepts/collections/#create-a-collection
await client.CreateCollectionAsync(
    collectionName: "blog_posts",
    vectorsConfig: new VectorParams
    {
        Size = 384,              // Must match your embedding model
        Distance = Distance.Cosine  // Best for text embeddings
    }
);
```

**Avståndsmått** ([Dokument](https://qdrant.tech/documentation/concepts/collections/#distance-metrics)):

- **Andra slag, inbegripet avfall och skrot av järn eller stål** - Mät vinkel mellan vektorer (bäst för text)
- **Styckningsdelar av höns av arten Gallus domesticus, andra än de som är upptagna i bilaga I till förordning (EU) nr 1380/2013** - Rå innerprodukt (för förnormaliserade vektorer)
- **Euclid Ordförande** - Geometriskt avstånd (för rumsliga data)

## Poäng

En förteckning över de behöriga myndigheter som avses i punkt 1 i denna artikel ska upprättas i enlighet med det förfarande som avses i artikel 4 i förordning (EU) nr 952/2013. [poäng](https://qdrant.tech/documentation/concepts/points/) är en enda post som innehåller

```mermaid
flowchart LR
    subgraph Point
        A[ID: uuid/int]
        B["Vector: float[384]"]
        C[Payload: JSON metadata]
    end

    style A stroke:#8b5cf6,stroke-width:2px
    style B stroke:#f59e0b,stroke-width:2px
    style C stroke:#10b981,stroke-width:2px
```

```csharp
// Upsert points - see https://qdrant.tech/documentation/concepts/points/#upload-points
var point = new PointStruct
{
    Id = new PointId { Uuid = Guid.NewGuid().ToString() },
    Vectors = embedding,  // float[384]
    Payload =
    {
        ["slug"] = "my-post",
        ["title"] = "Vector Databases",
        ["language"] = "en",
        ["categories"] = new[] { "AI", "Databases" },
        ["published"] = DateTimeOffset.UtcNow.ToUnixTimeSeconds()
    }
};

await client.UpsertAsync("blog_posts", points: new[] { point });
```

## Filtrering

[Filtrering](https://qdrant.tech/documentation/concepts/filtering/) kör *före* likhetssökning - extremt effektiv.

```mermaid
flowchart TB
    A[Search Query] --> B{Apply Filters First}
    B --> C[Language = 'en']
    B --> D[Year >= 2024]
    C --> E[Filtered Subset]
    D --> E
    E --> F[Vector Similarity Search]
    F --> G[Ranked Results]

    style B stroke:#ec4899,stroke-width:3px
    style E stroke:#f59e0b,stroke-width:2px
    style F stroke:#6366f1,stroke-width:2px
    style G stroke:#10b981,stroke-width:2px
```

```csharp
// Filter conditions - see https://qdrant.tech/documentation/concepts/filtering/#filtering-conditions
var filter = new Filter
{
    Must =  // AND conditions
    {
        new Condition { Field = new FieldCondition
        {
            Key = "language",
            Match = new Match { Keyword = "en" }
        }},
        new Condition { Field = new FieldCondition
        {
            Key = "published",
            Range = new Range { Gte = 1704067200 }  // 2024-01-01
        }}
    },
    MustNot =  // Exclude conditions
    {
        new Condition { Field = new FieldCondition
        {
            Key = "slug",
            Match = new Match { Keyword = "draft-post" }
        }}
    }
};
```

**Filtertyper** ([Dokument](https://qdrant.tech/documentation/concepts/filtering/#match)):

- `Match.Keyword` - Exakt strängmatchning
- `Match.Text` - Fulltextmatchning
- `Match.Any` - Matcha vilken som helst i arrayen.
- `Range` - Numeriska intervall (Gte, Lte, Gt, Lt)
- `GeoBoundingBox` / `GeoRadius` - Geofiltrering

# C#-klienten

Installera den officiella [Qdrant.Klient](https://www.nuget.org/packages/Qdrant.Client) Förpackning ([GitHub Ordförande](https://github.com/qdrant/qdrant-dotnet)):

```bash
dotnet add package Qdrant.Client
```

## Anslutningsinställning

```csharp
using Qdrant.Client;
using Qdrant.Client.Grpc;

// gRPC client (recommended) - see https://qdrant.tech/documentation/interfaces/#grpc-interface
var client = new QdrantClient(
    host: "localhost",
    port: 6334,  // gRPC port (6333 is REST)
    https: false
);

// With API key - see https://qdrant.tech/documentation/guides/security/
var secureClient = new QdrantClient(
    host: "your-qdrant.cloud",
    port: 6334,
    https: true,
    apiKey: "your-api-key"
);
```

> **Använd alltid gRPC** (hamn 6334) för produktion - 3-5x snabbare än REST.

## Windows HTTP/2 Rätta

På Windows, aktivera okrypterad HTTP/2 **före** Skapa klienten:

```csharp
AppContext.SetSwitch("System.Net.Http.SocketsHttpHandler.Http2UnencryptedSupport", true);
```

## Nyckelåtgärder

### Sök

```csharp
// Vector search - see https://qdrant.tech/documentation/concepts/search/
var results = await client.SearchAsync(
    collectionName: "blog_posts",
    vector: queryEmbedding,
    limit: 10,
    filter: filter,
    scoreThreshold: 0.5f,  // Minimum similarity
    searchParams: new SearchParams
    {
        HnswEf = 128,  // Search accuracy (higher = better recall)
        Exact = false  // Use approximate search
    },
    withPayload: true
);

foreach (var result in results)
{
    Console.WriteLine($"{result.Payload["title"].StringValue}: {result.Score}");
}
```

### Batch Upsert

```csharp
// Batch operations - see https://qdrant.tech/documentation/concepts/points/#batch-update
var points = documents.Select(doc => new PointStruct
{
    Id = new PointId { Uuid = doc.Id },
    Vectors = doc.Embedding,
    Payload = { ["slug"] = doc.Slug, ["title"] = doc.Title }
}).ToList();

await client.UpsertAsync(
    collectionName: "blog_posts",
    points: points,
    wait: true  // Wait for indexing
);
```

### Ta bort

```csharp
// Delete by filter - see https://qdrant.tech/documentation/concepts/points/#delete-points
await client.DeleteAsync(
    collectionName: "blog_posts",
    filter: new Filter
    {
        Must = { new Condition { Field = new FieldCondition
        {
            Key = "slug",
            Match = new Match { Keyword = "old-post" }
        }}}
    }
);
```

# HNSW-indexavstämning

[HNSW Ordförande](https://qdrant.tech/documentation/concepts/indexing/#vector-index) (Hierarchical Navigable Small World) är Qdrants indexalgoritm.

```mermaid
flowchart TB
    subgraph "HNSW Graph Layers"
        L2[Layer 2 - Sparse]
        L1[Layer 1 - Medium]
        L0[Layer 0 - Dense]
    end

    Q[Query] --> L2
    L2 --> L1
    L1 --> L0
    L0 --> R[Nearest Neighbors]

    style L2 stroke:#8b5cf6,stroke-width:2px
    style L1 stroke:#6366f1,stroke-width:2px
    style L0 stroke:#3b82f6,stroke-width:2px
    style Q stroke:#10b981,stroke-width:2px
    style R stroke:#ef4444,stroke-width:2px
```

## Parametrar för index

```csharp
// HNSW config - see https://qdrant.tech/documentation/concepts/indexing/#hnsw-index
var hnswConfig = new HnswConfigDiff
{
    M = 16,              // Edges per node (16-32 recommended)
    EfConstruct = 100,   // Build-time accuracy (100-200)
    FullScanThreshold = 10000  // Brute force threshold
};

await client.UpdateCollectionAsync(
    collectionName: "blog_posts",
    hnswConfig: hnswConfig
);
```

**Noggrannhet i söktid:**

```csharp
var searchParams = new SearchParams
{
    HnswEf = 128  // Higher = better recall, slower (64-256)
};
```

**Riktlinjer för anpassning:**
på användningsfall  på M eller EfConstruct  på HnswEf
|----------|---|-------------|--------|
Snabbt, låg recall 8  på 64 på 32
på balanserad  på 16  på 100 på 128
på hög rannsakningstid  och 32 år 200 år 256 år

# Index för nyttolast

Skapa [index för nyttolast](https://qdrant.tech/documentation/concepts/indexing/#payload-index) För ofta filtrerade fält:

```csharp
// Keyword index - see https://qdrant.tech/documentation/concepts/indexing/#payload-index
await client.CreatePayloadIndexAsync(
    collectionName: "blog_posts",
    fieldName: "language",
    schemaType: PayloadSchemaType.Keyword
);

// Integer index for ranges
await client.CreatePayloadIndexAsync(
    collectionName: "blog_posts",
    fieldName: "published",
    schemaType: PayloadSchemaType.Integer
);
```

**Inverkan:** 10-100x snabbare filtrering på stora samlingar.

# Kvantifiering

[Kvantifiering](https://qdrant.tech/documentation/guides/quantization/) Minskar minnesanvändning:

```csharp
// Scalar quantization - see https://qdrant.tech/documentation/guides/quantization/#scalar-quantization
await client.UpdateCollectionAsync(
    collectionName: "blog_posts",
    quantizationConfig: new ScalarQuantization
    {
        Scalar = new ScalarQuantizationConfig
        {
            Type = ScalarType.Int8,  // float32 -> int8
            Quantile = 0.99f,
            AlwaysRam = true
        }
    }
);
```

**Avräkning:** 4x mindre minne, ~2% minnesförlust, 1.5x snabbare sökning.

# Dockning

```yaml
# docker-compose.yml - see https://qdrant.tech/documentation/guides/installation/
services:
  qdrant:
    image: qdrant/qdrant:v1.12.1  # Pin version!
    ports:
      - "6333:6333"  # REST
      - "6334:6334"  # gRPC
    volumes:
      - qdrant_data:/qdrant/storage
    environment:
      - QDRANT__SERVICE__GRPC_PORT=6334
      - QDRANT__SERVICE__HTTP_PORT=6333
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:6333/health"]
      interval: 30s
      timeout: 10s
      retries: 3

volumes:
  qdrant_data:
```

## Säkerhet

Aktivera [Behörighetskontroll av API- nyckel](https://qdrant.tech/documentation/guides/security/):

```yaml
environment:
  - QDRANT__SERVICE__API_KEY=your-secret-key
```

# Övervakning

## Tröskelvärden

Qdrant exponerar [Prometheus-mått](https://qdrant.tech/documentation/guides/monitoring/) vid `/metrics`:

```bash
curl http://localhost:6333/metrics
```

Nyckelmått:

- `qdrant_collections_vector_count` - Totala vektorer
- `qdrant_rest_responses_duration_seconds` - Fråga latens
- `qdrant_memory_usage_bytes` - Minnesförbrukning

## Ögonblicksbilder

Skapa [säkerhetskopior](https://qdrant.tech/documentation/concepts/snapshots/):

```bash
# Create snapshot
curl -X POST http://localhost:6333/collections/blog_posts/snapshots

# List snapshots
curl http://localhost:6333/collections/blog_posts/snapshots

# Restore (copy snapshot to storage/collections/blog_posts/snapshots/)
```

# Vanliga gotchor

## 1. Hamnförvirring

- **6333** = REST API
- **6334** = gRPC API (använd detta!)

## 2. Vector Dimension Mismatch

```
Error: expected dim: 384, got 768
```

Din inbäddningsmodell och kollektion måste matcha:

- `all-MiniLM-L6-v2`: 384 mått
- `nomic-embed-text`: 768 mått
- OpenAI `text-embedding-3-small`: 1536 mått

## 3. Långsam första fråga

HNSW lat lastar in i minnet. Värm upp efter start:

```csharp
await client.SearchAsync("blog_posts", new float[384], limit: 1);
```

## 4. Filtrering av array

Användning `Match.Any` För fältfält:

```csharp
new Match { Any = new RepeatedStrings { Strings = { "AI", "ML" } } }
```

# Resurser

## Officiell Qdrantdokumentation

- [Översikt](https://qdrant.tech/documentation/overview/) - Komma igång
- [Begrepp](https://qdrant.tech/documentation/concepts/) - Grundläggande begrepp
- [Samlingar](https://qdrant.tech/documentation/concepts/collections/) - Skapa och hantera samlingar
- [Poäng](https://qdrant.tech/documentation/concepts/points/) - Arbeta med vektorer
- [Sök](https://qdrant.tech/documentation/concepts/search/) - Frågar verksamhet
- [Filtrering](https://qdrant.tech/documentation/concepts/filtering/) - Filterförhållanden
- [Indexering](https://qdrant.tech/documentation/concepts/indexing/) - HNSW och nyttolastindex
- [Kvantifiering](https://qdrant.tech/documentation/guides/quantization/) - Minnesoptimering
- [Säkerhet](https://qdrant.tech/documentation/guides/security/) - Behörighetskontroll
- [Övervakning](https://qdrant.tech/documentation/guides/monitoring/) - Metrisk och telemetri
- [Ögonblicksbilder](https://qdrant.tech/documentation/concepts/snapshots/) - Säkerhetskopiera och återställa

## Klientbibliotek

- [Qdrant .NET-klient](https://github.com/qdrant/qdrant-dotnet) - Officiellt C# SDK
- [Nugga paket](https://www.nuget.org/packages/Qdrant.Client) - Senaste frisläppande

## Relaterade artiklar

- [Del 4: ONNX- och Qdrant-genomförande](/blog/semantic-search-with-onnx-and-qdrant)
- [Del 5: Hybridsökning och automatisk indexning](/blog/rag-hybrid-search-and-indexing)
- [Översikt över RAG-serien](/blog/rag-primer)

## Källkod

Alla koder finns på: [github.com/scottgal/mestlylucidweb](https://github.com/scottgal/mostlylucidweb)

- `Mostlylucid.SemanticSearch/Services/QdrantVectorStoreService.cs` - Integrering av Qdrant