Einleitung

Im Zusammenhang mit der RAG-Serie: Dieser Artikel bietet einen tiefen Einblick in Qdrant, die Vektordatenbank, die verwendet wird in:

Teil 4: Umsetzung von ONNX und Qdrant - Gebäude semantische Suche
Teil 5: Hybride Suche & Auto-Indexierung - Produktionsintegration

Qdrant (ausgesprochen "Quadrant") ist eine Open-Source-Vektor-Datenbank in Rust. Dieser Artikel umfasst Kernkonzepte, den C#-Client, Performance-Tuning und Produktionsmuster.

Was ist Qdrant?

A Vektordatenbank speichert hochdimensionale Vektoren (Embeddings) und ermöglicht eine schnelle Ähnlichkeitssuche. Im Gegensatz zu traditionellen Datenbanken, die exakte Übereinstimmungen finden, findet Qdrant semantisch ähnlich Artikel.

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

Hauptmerkmale von Qdrant:

HNSW-Indizierung - Sublineare Suchzeiten
Filtern - Ähnlichkeitssuche mit Metadatenfiltern kombinieren
gRPC & REST APIs - High-Performance-Zugang
Verteilte Bereitstellung - Horizontal skalieren
Schnappschüsse - Sicherung und Wiederherstellung

Kernkonzepte

Sammlungen

A Sammlung ist wie eine Tabelle - es hält Vektoren mit einer festen Dimensionalität und Distanzmetrik.

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

// 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
    }
);

Cosin - misst Winkel zwischen Vektoren (am besten für Text)
Punkt - Rohes Innenprodukt (für vornormierte Vektoren)
Euklid - Geometrische Entfernung (für Geodaten)

Punkte

A Ziffer Es handelt sich um einen einzigen Datensatz, der Folgendes enthält:

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

// 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 });

Filtern

Filtern läuft Vorher Ähnlichkeitssuche - extrem effizient.

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

// 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" }
        }}
    }
};

Match.Keyword - Genauer String-Match
Match.Text - Volltext-Match
Match.Any - Passen Sie alle in Array
Range - Zahlenbereiche (Gte, Lte, Gt, Lt)
GeoBoundingBox / GeoRadius - Geofilterung

Der C#-Client

Installieren Sie den offiziellen Qdrant.Client Verpackung (GitHub):

dotnet add package Qdrant.Client

Verbindungsaufbau

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"
);

Verwenden Sie gRPC immer (Port 6334) für die Produktion - 3-5x schneller als REST.

Windows HTTP/2 Fixieren

Aktivieren Sie unter Windows unverschlüsselt HTTP/2 Vorher Erstellen des Clients:

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

Schlüsseloperationen

Suchen

// 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

// 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
);

Löschen

// 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-Index-Tuning

HNSW (Hierarchical Navigable Small World) ist Qdrants Indexalgorithmus.

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

Index-Parameter

// 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
);

Suchzeitgenauigkeit:

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

Tuning-Leitlinien: Verwenden Sie Fall , M , EfConstruct , HnswEf , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , |----------|---|-------------|--------| Schnelles, niedriges Rückrufen 8, 64, 32, Ausgeglichen 16, 100, 128, Hoch zurückrufen 32, 200, 256,

Nutzlastindizes

Erstellen Nutzlastindizes für häufig gefilterte Felder:

// 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
);

Auswirkungen: 10-100x schnellere Filterung auf großen Sammlungen.

Quantifizierung

Quantifizierung reduziert den Speicherverbrauch:

// 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
        }
    }
);

Abtretung: 4x weniger Speicher, ~2% Rückrufverlust, 1.5x schnellere Suche.

Docker-Einsatz

# 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:

Sicherheit

Aktivieren API-Schlüssel-Authentifizierung:

environment:
  - QDRANT__SERVICE__API_KEY=your-secret-key

Überwachung

Metrik

Qdrant entlarvt Prometheus-Metriken bei /metrics:

curl http://localhost:6333/metrics

Schlüsselkennzahlen:

qdrant_collections_vector_count - Vektoren insgesamt
qdrant_rest_responses_duration_seconds - Latenz abfragen
qdrant_memory_usage_bytes - Speicherverbrauch

Schnappschüsse

Erstellen Sicherungen:

# 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/)

Häufig Gotchas

1. Port Confusion

6333 = REST API
6334 = gRPC API (verwenden!)

2. Missanpassung der Vektor-Dimension

Error: expected dim: 384, got 768

Ihr Einbettungsmodell und Ihre Sammlung müssen stimmen:

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

3. Langsame erste Abfrage

HNSW Lazy-loads in den Speicher. Aufwärmen nach dem Start:

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

4. Array Filtern

Verwendung Match.Any für Array-Felder:

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

Aufkommen

Offizielle Qdrant-Dokumentation

Überblick - Fangen wir an.
Begriffsbestimmungen - Kernkonzepte
Sammlungen - Erstellen und Verwalten von Sammlungen
Punkte - Arbeiten mit Vektoren
Suchen - Abfragen
Filtern - Filterbedingungen
Indexierung - HNSW und Nutzlastindizes
Quantifizierung - Speicheroptimierung
Sicherheit - Authentifizierung
Überwachung - Metrische und Telemetrie
Schnappschüsse - Sicherung und Wiederherstellung

Client-Bibliotheken

Qdrant .NET Client - Offizielles C# SDK
NuGet-Paket - Letzte Veröffentlichung

Quellencode

Alle verfügbaren Codes unter: github.com/scottgal/mostlylucidweb

Mostlylucid.SemanticSearch/Services/QdrantVectorStoreService.cs - Qdrant-Integration

Selbstgehostete Vektordatenbanken mit Qdrant: Ein tiefer Tauchgang

Einleitung

Was ist Qdrant?

Kernkonzepte

Sammlungen

Punkte

Filtern

Der C#-Client

Verbindungsaufbau

Windows HTTP/2 Fixieren

Schlüsseloperationen

Suchen

Batch Upsert

Löschen

HNSW-Index-Tuning

Index-Parameter

Nutzlastindizes

Quantifizierung

Docker-Einsatz

Sicherheit

Überwachung

Metrik

Schnappschüsse

Häufig Gotchas

1. Port Confusion

2. Missanpassung der Vektor-Dimension

3. Langsame erste Abfrage

4. Array Filtern

Aufkommen

Offizielle Qdrant-Dokumentation

Client-Bibliotheken

Verwandte Artikel

Quellencode