Qdrant：从入门到专家——理论基础与实践案例

1. 向量数据库与 Qdrant 简介

2. 向量搜索的理论基础

• 余弦相似度 (Cosine Similarity)：衡量两个向量方向之间的夹角余弦值。余弦值为 1 表示方向完全相同，0 表示正交（无相似性），-1 表示方向完全相反。由于它关注的是向量的方向而非大小，因此特别适用于文本和文档相似性分析，在这些场景中，文档的长度差异可能很大，但语义方向的相似性更为重要.

• 欧氏距离 (Euclidean Distance)：计算向量空间中两点之间的直线距离。距离越小，表示向量越相似。欧氏距离考虑了向量的大小和方向，因此适用于那些向量的整体差异需要被衡量的场景.

• 点积 (Dot Product / Inner Product)：衡量两个向量在同一方向上的投影的乘积。点积的值与向量的长度和它们之间的角度有关，正值表示向量大致指向同一方向，负值表示相反方向，零值表示它们是正交的。点积常用于推荐系统中，衡量用户偏好与物品特征之间的“一致性”.

• 曼哈顿距离 (Manhattan Distance)：计算在标准坐标系中两个点之间的轴对齐距离的总和。它类似于在城市街区中从一个点到另一个点所需要行走的总距离。

• 分层可导航小世界图 (Hierarchical Navigable Small World, HNSW)：这是一种多层图结构，其中每个向量都是一个节点，相似的向量之间通过边连接。搜索从图的顶层开始，快速导航到可能包含最近邻的区域，然后在较低层进行更精细的搜索。HNSW 在搜索速度和准确性之间取得了良好的平衡，是 Qdrant 的默认索引方法.

• 倒排文件索引 (Inverted File Index, IVF)：这种方法基于聚类，将向量空间划分为若干个簇。搜索时，首先确定查询向量属于哪个簇，然后只在该簇内进行搜索，从而缩小了搜索范围。

• 局部敏感哈希 (Locality Sensitive Hashing, LSH)：LSH 是一种哈希技术，其目标是使相似的向量以高概率被哈希到相同的哈希桶中。搜索时，只需要检查与查询向量哈希到相同桶中的向量。LSH 特别适用于高维数据，并且可以提供快速的搜索速度，但召回率可能不如其他方法。

• 扁平索引 (Flat Indexing)：这是一种暴力搜索方法，不进行任何索引构建，而是将查询向量与数据库中的所有其他向量进行比较。虽然可以保证找到最精确的最近邻，但对于大型数据集来说速度非常慢。

• 乘积量化 (Product Quantization, PQ)：PQ 是一种压缩技术，通过将高维向量分解成若干个子向量，并对每个子向量进行量化来减少向量的内存占用。虽然可以显著降低内存使用，但也可能影响搜索的准确性。

3. Qdrant 架构与核心概念

• 集合 (Collections)：集合是 Qdrant 中存储数据的主要组织单元，类似于关系型数据库中的表。一个集合包含多个数据点，所有数据点中的向量必须具有相同的维度，并且在集合内使用相同的距离度量进行相似性搜索.

• 点 (Points)：点是 Qdrant 中存储的基本数据单元。每个点包含一个向量，一个唯一的 64 位无符号整数或 UUID 格式的 ID，以及一个可选的载荷（Payload），载荷是一个 JSON 对象，用于存储关于该向量的额外元数据.

• 向量 (Vectors)：高维数值数组，用于表示数据的特征。向量是向量数据库中存储和查询的核心数据类型。

• 载荷 (Payload)：一个与向量关联的可选 JSON 对象，用于存储关于该向量的额外信息或元数据。载荷可以用于过滤搜索结果，提供关于检索到的向量的更多上下文信息。

• 距离度量 (Distance Metrics)：用于衡量向量之间相似性的方法，例如余弦相似度、欧氏距离和点积（已在第二章中介绍）。

• 索引 (Indexing)：用于加速相似性搜索的技术，例如 HNSW、IVF 和 LSH（已在第二章中介绍）。

• 分片 (Shards) 和副本 (Replicas)：用于实现水平扩展和容错（已在本章前面介绍）。

• 基于 RAM 的存储 (RAM-based Storage)：默认情况下，Qdrant 可以将向量数据存储在服务器的随机存取内存（RAM）中。这种方式提供了最快的访问速度，适用于数据集大小不超过可用内存的情况.

• 内存映射存储 (Memmap Storage)：对于大于可用 RAM 的数据集，Qdrant 提供了内存映射文件（Memmap）的选项。这允许操作系统将磁盘上的文件直接映射到进程的地址空间，在 RAM 足够的情况下，可以像访问 RAM 一样高效地访问数据.

• 磁盘向量存储 (On-disk Vector Storage)：Qdrant 也支持将向量数据直接存储在磁盘上。这种方式可以显著降低 RAM 的使用，适用于非常大的数据集或内存资源有限的环境。然而，从磁盘访问数据通常比从 RAM 慢，这可能会影响搜索延迟。

4. Qdrant 入门

• Docker：对于本地开发和测试，推荐使用 Docker 部署 Qdrant。Docker 提供了一个容器化的环境，可以轻松地安装和运行 Qdrant，并且保证了环境的一致性。可以使用以下命令拉取最新的 Qdrant 镜像：BashBash

docker pull qdrant/qdrant

然后，可以使用以下命令运行 Qdrant 服务，并将主机端口 6333 和 6334 映射到容器的相应端口，同时将主机上的一个目录挂载到容器内的存储目录，以实现数据持久化：

docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage:z" qdrant/qdrant

其中，端口 6333 用于 REST API 访问，端口 6334 用于 gRPC API 访问。

• Qdrant Cloud：对于生产环境，Qdrant 提供了完全托管的云服务，支持在 AWS、GCP 和 Azure 上部署。Qdrant Cloud 简化了部署和管理过程，提供了自动化的扩展和维护，适合需要高可用性和可扩展性的应用.

• Hybrid Cloud：Qdrant Hybrid Cloud 允许在用户现有的基础设施中（无论是云端、本地还是边缘）部署托管的 Qdrant 集群。这种方式在提供 Qdrant 托管便利性的同时，也保障了数据的本地存储和主权。Hybrid Cloud 通常基于 Kubernetes 进行部署.

• Private Cloud (On-Premise)：对于有严格安全和合规要求的组织，Qdrant 可以完全部署在企业自身的私有基础设施中。这种方式提供了最大的控制权，但需要企业自行管理所有的基础设施.

• Kubernetes：可以使用 Helm Chart 在 Kubernetes 集群中部署 Qdrant。Helm Chart 简化了在 Kubernetes 上部署和管理应用程序的过程。

• 二进制可执行文件：Qdrant 也提供了二进制可执行文件，可以直接在支持的操作系统上运行。

pip install qdrant-client

from qdrant_client import QdrantClient, models

client = QdrantClient(url="http://localhost:6333")

client.create_collection(
    collection_name="my_collection",
    vectors_config=models.VectorParams(size=128, distance=models.Distance.COSINE)
)

import numpy as np

vectors = np.random.rand(10, 128).tolist()
client.upsert(
    collection_name="my_collection",
    points=,
    wait=True
)

query_vector = np.random.rand(128).tolist()
search_results = client.search(
    collection_name="my_collection",
    query_vector=query_vector,
    limit=5
)
print(search_results)

• 词嵌入模型 (Word Embedding Models)：如 Word2Vec、GloVe 和 FastText。这些模型在自然语言处理（NLP）领域广泛使用，能够捕捉词语之间的语义和句法关系，将语义相似的词语在向量空间中放置得更近.

• 句子和文档嵌入模型 (Sentence and Document Embedding Models)：如 BERT、Universal Sentence Encoder (USE) 和 Sentence Transformers。这些模型旨在为更大的文本单元生成嵌入，捕捉句子和文档的整体含义和上下文。它们对于语义搜索、文本分类和情感分析等任务至关重要。

• 图像嵌入模型 (Image Embedding Models)：如卷积神经网络 (CNNs) 和预训练模型 ResNet、VGG 以及 CLIP。CNNs 擅长从图像中提取视觉特征，预训练模型则利用在大规模图像数据集上学习到的知识生成有效的图像表示。CLIP 模型则学习图像和文本的联合嵌入。

• 音频和其他数据类型的模型 (Models for Audio and Other Data Types)：例如，Whisper 模型可以用于生成音频的嵌入。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')
sentences = ["这是第一个句子。", "这是第二个句子。"]
embeddings = model.encode(sentences)
print(embeddings.shape)

import openai

openai.api_key = "YOUR_OPENAI_API_KEY"

response = openai.Embedding.create(
    model="text-embedding-ada-002",
    input=["你的文本"],
)

embedding = response['data']['embedding']

from transformers import AutoTokenizer, AutoModel
import torch

tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

inputs = tokenizer("你的文本", return_tensors="pt", padding=True, truncation=True, max_length=512)
with torch.no_grad():
    outputs = model(**inputs)

embeddings = outputs.last_hidden_state.mean(dim=1).squeeze().numpy()

6. 在 Qdrant 中执行相似性搜索和查询

from qdrant_client import models, QdrantClient
import numpy as np

client = QdrantClient(url="http://localhost:6333")
query_vector = np.random.rand(128).tolist()
search_results = client.search(
    collection_name="my_collection",
    query_vector=query_vector,
    limit=5,
    query_filter=models.Filter(
        must=
    )
)
print(search_results)

• 使用多个查询向量进行搜索。这对于比较多个项目或基于不同的方面细化搜索非常有用。

• 使用推荐 API。Qdrant 包含一个专门用于构建推荐系统的 API。

• 地理空间搜索功能。Qdrant 可以处理地理空间数据并执行相关的查询。

• 全文搜索集成。Qdrant 可以与全文搜索引擎集成或利用其内置的功能进行全文搜索。

7. Qdrant 的高级特性：性能与可扩展性

• 标量量化 (Scalar Quantization)：将向量的每个分量从浮点数（通常为 32 位）转换为整数（通常为 8 位）。这可以将内存占用减少四倍，并且由于 Qdrant 可以使用优化的 SIMD 指令进行整数运算，因此还可以加快向量比较的速度. 标量量化在内存减少和准确性损失之间取得了良好的平衡，使其成为一种通用的技术.

• 二值量化 (Binary Quantization)：是一种极端的标量量化形式，其中向量的每个分量都用单个比特（0 或 1）表示。与 32 位浮点数相比，这可以将内存使用量减少 32 倍，并提供最快的向量比较速度。然而，它可能导致更显著的准确性损失，并且最适合于特定类型的嵌入和应用.

• 乘积量化 (Product Quantization)：将高维向量分成多个低维子向量，然后使用诸如 k-means 聚类之类的技术独立地量化每个子向量。这可以实现高压缩率，但也可能导致明显的准确性损失. 乘积量化适用于内存占用是绝对优先考虑的事项，即使搜索质量和速度相比标量量化有所下降也可以接受的场景。

client.create_collection(
    collection_name="my_quantized_collection",
    vectors_config=models.VectorParams(size=128, distance=models.Distance.COSINE),
    quantization_config=models.QuantizationConfig(
        scalar=models.ScalarQuantization(type=models.ScalarType.INT8, always_ram=True)
    )
)

8. Qdrant 的实际用例和应用

9. Qdrant 企业级部署考虑因素

10. Qdrant Python 客户端：综合指南与示例

pip install qdrant-client

from qdrant_client import QdrantClient

client = QdrantClient(host="localhost", port=6333)
# 或者使用 URL
client = QdrantClient(url="http://localhost:6333")

from qdrant_client import QdrantClient

client = QdrantClient(
    url="https://xxxxxx-xxxxx-xxxxx-xxxx-xxxxxxxxx.us-east.aws.cloud.qdrant.io:6333",
    api_key="<your-api-key>",
)

from qdrant_client import QdrantClient

client = QdrantClient(host="localhost", grpc_port=6334, prefer_grpc=True)

from qdrant_client import QdrantClient

client = QdrantClient(":memory:")
# 或者将数据持久化到磁盘
client = QdrantClient(path="path/to/db")

from qdrant_client.models import VectorParams, Distance

client.create_collection(
    collection_name="my_collection",
    vectors_config=VectorParams(size=100, distance=Distance.COSINE),
)

collection_exists = client.collection_exists("my_collection")
print(f"集合是否存在: {collection_exists}")

collection_info = client.get_collection(collection_name="my_collection")
print(collection_info)

client.delete_collection(collection_name="my_collection")

from qdrant_client.models import PointStruct

operation_info = client.upsert(
    collection_name="test_collection",
    wait=True,
    points=, payload={"city": "Berlin"}),
    ],
)
print(operation_info)

import numpy as np
from qdrant_client.models import PointStruct

vectors = np.random.rand(100, 100)
points =
operation_info = client.upsert(collection_name="my_collection", points=points, wait=True)
print(operation_info)

import numpy as np

query_vector = np.random.rand(100).tolist()
search_results = client.search(
    collection_name="my_collection", query_vector=query_vector, limit=5
)
print(search_results)

from qdrant_client.models import Filter, FieldCondition, Range

hits = client.search(
    collection_name="my_collection",
    query_vector=query_vector,
    query_filter=Filter(
        must=
    ),
    limit=5
)
print(hits)

# 假设创建集合时配置了名为 "text" 和 "image" 的向量字段
client.upsert(
    collection_name="multi_vector_collection",
    points=,
    wait=True
)

query_vector_text = np.random.rand(128).tolist()
search_results_text = client.search(
    collection_name="multi_vector_collection",
    query_vector=("text", query_vector_text),
    limit=5
)
print(search_results_text)

query_vector_image = np.random.rand(512).tolist()
search_results_image = client.search(
    collection_name="multi_vector_collection",
    query_vector=("image", query_vector_image),
    limit=5
)
print(search_results_image)

# 需要先创建包含稀疏向量配置的集合
# 示例代码（假设已创建包含名为 "sparse" 的稀疏向量字段的集合）：
# from qdrant_client.models import SparseVector

# sparse_vector_data = {"indices": [1, 2, 3], "values": [0.8, 0.2, 0.5]}
# client.upsert(
#     collection_name="hybrid_collection",
#     points=, values=sparse_vector_data["values"])},
#             payload={"text": "example document"}
#         ),
#     ],
#     wait=True
# )

# query_dense = np.random.rand(128).tolist()
# query_sparse = {"indices": [4, 5, 6], "values": [0.9, 0.1, 0.4]}
# search_results_hybrid = client.search(
#     collection_name="hybrid_collection",
#     query_vector=("dense", query_dense),
#     sparse_query=(("sparse", SparseVector(indices=query_sparse["indices"], values=query_sparse["values"]))),
#     limit=5
# )
# print(search_results_hybrid)

# 假设已有一些数据点
# recommendation_result = client.recommend(
#     collection_name="my_collection",
#     positive=[1, 4],  # 正例 ID
#     negative=[7],     # 负例 ID
#     limit=5
# )
# print(recommendation_result)

from qdrant_client.models import QuantizationConfig, ScalarQuantization, ScalarType

client.update_collection(
    collection_name="my_collection",
    quantization_config=QuantizationConfig(
        scalar=ScalarQuantization(type=ScalarType.INT8, always_ram=True)
    )
)

from qdrant_client.models import PayloadSchemaType

client.create_payload_index(
    collection_name="my_collection",
    field_name="city",
    field_schema=PayloadSchemaType.KEYWORD
)

snapshot_info = client.create_snapshot(collection_name="my_collection")
print(snapshot_info)

client.recover_snapshot(collection_name="my_collection", snapshot_name="<snapshot_name>")

# 示例（假设有 ids, vectors, payloads 列表）
# operation_info = client.upload_collection(
#     collection_name="large_collection",
#     ids=ids,
#     vectors=vectors,
#     payload=payloads,
#     batch_size=100  # 可选的批处理大小
#     wait=True
# )
# print(operation_info)

import asyncio
import numpy as np
from qdrant_client import AsyncQdrantClient, models

async def main():
    client = AsyncQdrantClient(url="http://localhost:6333")

    if not await client.collection_exists("async_collection"):
        await client.create_collection(
            collection_name="async_collection",
            vectors_config=models.VectorParams(size=10, distance=models.Distance.COSINE),
        )

    await client.upsert(
        collection_name="async_collection",
        points=,
        wait=True
    )

    search_results = await client.search(
        collection_name="async_collection", query_vector=np.random.rand(10).tolist(), limit=5
    )
    print(search_results)

if __name__ == "__main__":
    asyncio.run(main())

11. Qdrant 社区与资源

结论

引用资料

• lakefs.ioWhat Is A Vector Database? Top 12 Use Cases - lakeFSOpens in a new window

• instaclustr.comVector Database: 13 Use Cases—from Traditional to Next-Gen - InstaclustrOpens in a new window

• learn.microsoft.comUnderstanding Vector Databases | Microsoft LearnOpens in a new window

• oracle.comWhat Is a Vector Database? - OracleOpens in a new window

• datacamp.comWhat Are Vector Embeddings? An Intuitive Explanation - DataCampOpens in a new window

• kdnuggets.comSemantic Search with Vector Databases - KDnuggetsOpens in a new window

• ibm.comWhat Is A Vector Database? - IBMOpens in a new window

• nexla.comVector Databases: Tutorial, Best Practices & Examples - NexlaOpens in a new window

• ibm.comWhat is Vector Embedding? | IBMOpens in a new window

• cloudflare.comWhat is a vector database? - CloudflareOpens in a new window

• timescale.comVector Search vs Semantic Search - TimescaleOpens in a new window

• weaviate.ioVector Embeddings Explained - WeaviateOpens in a new window

• decube.ioVector Databases Explained: Key Features, AI Integration, and Use Cases - DecubeOpens in a new window

• aws.amazon.comWhat is a Vector Database? - AWSOpens in a new window

• v7labs.comVector Databases: Intro, Use Cases, Top 5 Vector DBs - V7 LabsOpens in a new window

• medium.comExploring Semantic Search Using Embeddings and Vector Databases with some popular Use Cases | by Pankaj | MediumOpens in a new window

• pingcap.comVector Embeddings Explained Simply - TiDBOpens in a new window

• datastax.comWhat are Vector Embeddings? Applications, Use Cases & More | DataStaxOpens in a new window

• onebridge.techHow Vector Embeddings Enable Semantic Searching in AI - OnebridgeOpens in a new window

• elastic.coWhat are Vector Embeddings? | A Comprehensive Vector Embeddings Guide - ElasticOpens in a new window

• jaguardb.medium.comAnomaly Detection in JaguarDB. Jaguar vector database is pioneering… - Jonathan Yue, PhDOpens in a new window

• couchbase.comWhat Are Vector Embeddings? Models & More Explained - CouchbaseOpens in a new window

• singlestore.comA Beginner's Guide to Vector Embeddings - SingleStoreOpens in a new window

• airbyte.comWhat Are Vector Embeddings: Types, Use Cases, & Models - AirbyteOpens in a new window

• blog.det.lifeVector Database: Concepts and Examples | by Jatin Solanki - Data Engineer ThingsOpens in a new window

• timescale.comA Beginner's Guide to Vector Embeddings - TimescaleOpens in a new window

• superteams.aiA Guide to Anomaly Detection Using VectorDB: Steps and Strategies - Superteams.aiOpens in a new window

• singlestore.comThe Power of Vector Databases in Anomaly Detection - SingleStoreOpens in a new window

• pinecone.iowww.pinecone.ioOpens in a new window

• swimm.ioEmbeddings in Machine Learning: Types, Models & Best Practices - SwimmOpens in a new window

• labelbox.comHow vector similarity search works - LabelboxOpens in a new window

• datastax.comWhat is a Vector Index? An Introduction to Vector Indexing - DataStaxOpens in a new window

• ai-bites.netRAG - 7 indexing methods for Vector DBs + Similarity search - AI BitesOpens in a new window

• pinecone.ioNearest Neighbor Indexes for Similarity Search - PineconeOpens in a new window

• couchbase.comWhat Is Vector Similarity Search? Benefits & Applications - CouchbaseOpens in a new window

• weaviate.ioVector Search Explained | WeaviateOpens in a new window

• myscale.com5 Vector Database Use Cases for Real-World Applications - MyScaleOpens in a new window

• dev.toEmbeddings, Vector Databases, and Semantic Search: A Comprehensive GuideOpens in a new window

• blog.railwaymen.orgImplementation of Recommendation System with Vector Databases - Railwaymen blogOpens in a new window

• e2enetworks.comHow to Create a Vector-Based Recommendation System - E2E NetworksOpens in a new window

• medium.comVector Databases: Building a Semantic Search Engine — A Practical Guide - MediumOpens in a new window

• qdrant.techQdrant Hybrid Cloud: the First Managed Vector Database You Can Run AnywhereOpens in a new window

• qdrant.techDistributed Deployment - QdrantOpens in a new window

• qdrant.techAn Introduction to Vector Databases - QdrantOpens in a new window

• qdrant.techQdrant InternalsOpens in a new window

• analyticsvidhya.comA Deep Dive into Qdrant, the Rust-Based Vector Database - Analytics VidhyaOpens in a new window

• api.qdrant.techAPI Reference — Qdrant | API ReferenceOpens in a new window

• python-client.qdrant.techQdrant Python Client Documentation — Qdrant Client documentationOpens in a new window

• qdrant.techQdrant Vector Database, High-Performance Vector Search EngineOpens in a new window

• airbyte.comThe Fundamentals of Qdrant: Understanding the 6 Core Concepts - AirbyteOpens in a new window

• qdrant.techQdrant - Vector Database - QdrantOpens in a new window

• wpsolr.comAn In-Depth Look at Qdrant search: 10 Key Features - WPSOLROpens in a new window

• qdrant.techQdrant DocumentationOpens in a new window

• qdrant.techInstallation - QdrantOpens in a new window

• docs.haystack.deepset.aiQdrantDocumentStore - Haystack Documentation - DeepsetOpens in a new window

• qdrant.techLocal Quickstart - QdrantOpens in a new window

• qdrant.techFiltering - QdrantOpens in a new window

• python.langchain.comQdrant - ️ LangChainOpens in a new window

• elest.ioQdrant - Installation guide | Elest.ioOpens in a new window

• qdrant.techExamples - QdrantOpens in a new window

• qdrant.techSetup Hybrid Cloud - QdrantOpens in a new window

• github.comA collection of examples and tutorials for Qdrant vector search engine - GitHubOpens in a new window

• airbyte.comA Beginner's Guide to Qdrant: Installation, Setup, and Basic Operations | AirbyteOpens in a new window

• github.comPython client for Qdrant vector search engine - GitHubOpens in a new window

• scaibu.medium.comHow to Get Started with Qdrant Locally | by Scaibu - MediumOpens in a new window

• docs.n8n.ioQdrant Vector Store node documentation - n8n DocsOpens in a new window

• qdrant.techCollections - QdrantOpens in a new window

• qdrant.techData Ingestion for Beginners - QdrantOpens in a new window

• qdrant.techBulk Upload Vectors to a Qdrant CollectionOpens in a new window

• qdrant.techCommunity - QdrantOpens in a new window

• qdrant.techIndexing - QdrantOpens in a new window

• qdrant.techAutomate filtering with LLMs - QdrantOpens in a new window

• docs.e2enetworks.comQdrant Scaling | E2E CloudOpens in a new window

• python-client.qdrant.techqdrant_client.qdrant_client module - Qdrant Python Client DocumentationOpens in a new window

• python-client.qdrant.techIndex - Qdrant Python Client DocumentationOpens in a new window

• zilliz.comSingleStore vs Qdrant on Vector Search Capabilities - Zilliz blogOpens in a new window

• qdrant.techSupport - QdrantOpens in a new window

• medium.comDistributed Deployment of Qdrant Cluster with Sharding & Replicas | by Vardhanam DagaOpens in a new window

• qdrant.techA Complete Guide to Filtering in Vector Search - QdrantOpens in a new window

• qdrant.techQdrant StarsOpens in a new window

• github.comDiscussions · GitHub - qdrantOpens in a new window

• cloud.google.comDeploy a Qdrant vector database on GKE | Kubernetes Engine - Google CloudOpens in a new window

• hybrid-cloud.qdrant.techQdrant Hybrid Cloud: Flexible Deployment, Data Privacy, and Cost EfficiencyOpens in a new window

• qdrant.techDeployment Platforms - Hybrid cloud - QdrantOpens in a new window

• medium.comQdrant Vector Database : Deployment Options in an Enterprise Context | by Turja ChaudhuriOpens in a new window

• blog.futuresmart.aiComprehensive guide to Qdrant Vector DB: Installation and Setup - FutureSmart AI BlogOpens in a new window

• qdrant.techQuantization - QdrantOpens in a new window

• qdrant.techWhat is Vector Quantization? - QdrantOpens in a new window

• qdrant.techOptimizing Memory for Bulk Uploads - QdrantOpens in a new window

• medium.comBalancing Accuracy and Speed with Qdrant Hyperparameters, Hybrid Search and Semantic Caching (Part 1) | by Benito Martin | MediumOpens in a new window

• qdrant.techScalar Quantization: Background, Practices & More - QdrantOpens in a new window

• qdrant.techVector Search Resource Optimization Guide - QdrantOpens in a new window

• qdrant.techBinary Quantization - Vector Search, 40x Faster - QdrantOpens in a new window

• qdrant.techOptimize Performance - QdrantOpens in a new window

• qdrant.techDatabase Optimization - QdrantOpens in a new window

• charanhu.medium.comOptimizing Vector Searches with Qdrant Vector Database: Theory and Implementation | by C