This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Sunday, 23 November 2025
ذات صلة بسلسلة المبادئ التوجيهية: تقدم هذه المادة عمقاً عميقاً في Qdrant، قاعدة بيانات الناقل المستخدمة في:
(يعلن عن "كندرانت") هي قاعدة بيانات مفتوحة المصدر لمتجهات الأمراض مبنية في روست. وتغطي هذه المادة المفاهيم الأساسية، عميل C#، تقوية الأداء، وأنماط الإنتاج.
A A (البيانات) تخزن نواقل عالية الأبعاد (اختزالات) وتمكّن من إجراء بحث شبهي سريع. على خلاف قواعد البيانات التقليدية التي تجد متطابقات دقيقة، تجد Qdrant متماثل Symant بنود جدول الأعمال المؤقت
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
ميزات الدليل:
A A 1 ف-4، 1 ف-3، 1 خ م، 1 خ ع (رأ)، 1 خ ع (رأ)، 1 خ ع (رأ)، 1 خ ع (رأ)، 1 خ ع (رأ)، 1 خ ع (رأ) هو مثل الجدول - فهو يحمل المتجهات مع البعد الثابت ومتر المسافة.
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
}
);
A A نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة نقطة (ب) سجل واحد يحتوي على ما يلي:
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 });
ثالثاً - البحث في ظروف مماثلة - ذات كفاءة قصوى.
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 - مُؤَكّد سلسلة نص مُتَجِجMatch.Text - كامل النص المطابقMatch.Any - مثل أي من الصفاتRange - النطاقات العددية (Gte, Lte, Gt, Lt)GeoBoundingBox / GeoRadius - مرشّحجَدِّد المسؤول: Qdrt.Colt (الصف)لا يُحَجْجَه):
dotnet add package Qdrant.Client
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"
);
**** (الرياضة 6334) للإنتاج - 3-5x أسرع من REST.
يعمل على النوافذ ، تمكين غير مشفرة غير مشفرة HTTTTTP/2 ثالثاً إنشاء العميل:
AppContext.SetSwitch("System.Net.Http.SocketsHttpHandler.Http2UnencryptedSupport", true);
// 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 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
);
// 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" }
}}}
}
);
محفوظات (Hyerrachical Nivigable World) هي خوارزمية كدرانت القياسية.
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
// 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
);
دقة وقت البحث:
var searchParams = new SearchParams
{
HnswEf = 128 // Higher = better recall, slower (64-256)
};
المبادئ التوجيهية لتوجيه الطلبات: • استخدام القضية M o M o Efconconstruct / Hunsweef o |----------|---|-------------|--------| □ سريع ، منخفض جدا ، مُدْرَك مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة مُدْرَكَة الرصيد الميزان (الرصيد) (الرصيد) (الرصيد) (الرصيد) (الرصيد) (الرصيد) □ عَلَى عَلَى ٱلْإِسْرَادِ عَلَى ٱلْأَرْجَاعِ
الأرقام القياسية للحمولات لـ::::::::: لـ:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
// 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
);
التأثير: 10.100x ترشيح أسرع على المجموعات الكبيرة.
(أ) يُقْصِل استخدام الذاكرة:
// 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
}
}
);
المقايضة: 4x ذاكرة ناقصة، -2% فقدان إستعادة، 1.5x بحث أسرع.
# 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:
environment:
- QDRANT__SERVICE__API_KEY=your-secret-key
فضحات مُقْرِر ثالثاً - التدابير أن يكون /metrics:
curl http://localhost:6333/metrics
المعاملات الرئيسية:
qdrant_collections_vector_count - مجموع النواقلqdrant_rest_responses_duration_seconds - طلب التأخير في الدفعqdrant_memory_usage_bytes - الاستهلاك المحفوظدعم دعم دعم دعم دعم دعم دعم دعم دعم دعم دعم دعم دعم دعم دعم:
# 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/)
Error: expected dim: 384, got 768
يجب أن يطابق نموذج التأطير الخاص بك والجمع ما يلي:
all-MiniLM-L6-v2:: 384 أبعاداً: 384nomic-embed-text: 768 أبعاداًtext-embedding-3-small:: 1536 الأبعادHNSW تحميلات كسولة في الذاكرة. تسخين بعد البدأ:
await client.SearchAsync("blog_posts", new float[384], limit: 1);
Match.Any للزمالات المصفوفية:
new Match { Any = new RepeatedStrings { Strings = { "AI", "ML" } } }
كلّ الرموز المتوفرة في: chithub. com/doggal/ chweb
Mostlylucid.SemanticSearch/Services/QdrantVectorStoreService.cs - تكامل الضمان
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.