企业官网建设流程全解析

基于AI开发应用，已经是非常流行了，特别是AI 增强应用（如 RAG）。而开发AI应用，必须用到向量数据库。

Qdrant就是一个开源的向量相似度搜索引擎，专为高效存储、检索和管理高维向量（embeddings）而设计。它不仅支持向量搜索，还允许为每个向量附加结构化元数据（称为 payload），从而实现更灵活、精准的语义搜索和混合检索。

qdrant-dotnet就是Qdrant官方提供的开源 .NET 客户端库，同时也提供Python、Go、JavaScript、Rust 等客户端。

01

项目简介

该客户端库提供了对 Qdrant REST API 和 gRPC 接口的完整封装，主要功能包括：

1. 向量操作

• 插入（upsert）、更新、删除向量点（points）

• 批量导入向量数据

• 向量搜索

• • 支持多种距离度量（余弦、点积、欧氏距离等）

  • 支持带 payload 过滤条件的语义搜索

  • 支持按 ID 精确检索

• 集合（Collection）管理

• • 创建、删除、更新集合

  • 配置向量维度、索引类型、存储选项等

• Payload 操作

• • 为每个向量附加结构化元数据（payload）

  • 支持基于 payload 的过滤（例如{"category": "electronics"}）

• 异步支持

• • 全面使用async/await，适合高并发应用

• gRPC 支持

• • 除默认的 HTTP/REST 外，也支持更高效的 gRPC 协议（需 Qdrant 服务启用 gRPC）

  02

  使用方法

  1、安装依赖

  dotnet add package Qdrant.Client

  2、保存向量并搜索

  using Qdrant.Client;using Qdrant.Client.Grpc;// 创建客户端var client = new QdrantClient("localhost", port: 6333);// 创建集合await client.CreateCollectionAsync( collectionName: "example", vectorsConfig: new VectorParams { Size = 4, Distance = Distance.Cosine });// 插入向量await client.UpsertAsync( collectionName: "example", points: new[] { new PointStruct { Id = 1, Vectors = new float[] { 0.1f, 0.2f, 0.3f, 0.4f }, Payload = { ["name"] = "item_1" } } });// 搜索var results = await client.SearchAsync( collectionName: "example", queryVector: new float[] { 0.15f, 0.25f, 0.35f, 0.45f }, limit: 3);

  03

  项目地址

  https://github.com/qdrant/qdrant-dotnet