Qdrant - 原来向量搜索并没有那么神秘

先看看对于向量和向量搜索的概念表述：向量本身是一个数学概念，表示一个量既有大小，又有方向。在AI领域，向量搜索指的是一种利用机器学习技术将非结构化数据（如文本、图片、视频等）转换为多维向量（即嵌入表示），并通过计算这些向量之间的相似度来检索信息的技术。

然后结合实际项目，按照我粗浅的理解，大致可以认为原本存入数据库中的就是一段文字、一张图片、一个文件，经过AI向量化之后存的向量数据就带有了更多的特征。这样，原本进行搜索时需要的精确匹配就可以很轻松的变成模糊匹配、甚至语义化的匹配。

举个例子：

当我在微信的备注中给某个人添加了一段描述时，比如：“这是我老婆的哥哥的朋友，张三，他有显卡的一级代理，可以拿到很低的价格”。

正常来说，当我再想搜到这个人的时候，我需要用比较精确的关键词，比如：“显卡”、“代理”、“哥哥”等，但显然我很可能记不了这么清楚。

但如果这段文字被向量化处理之后再存储，我就可以通过语义化的表述来搜索，比如：“我老婆的哥哥有个朋友是显卡代理，他叫什么？”。

此时只需要把这个问题也进行向量化，就可以去和数据库中的向量进行匹配，最终根据获得数据的置信度排序后把记过再交给AI进行一次上下文联想，获得最终的答案。

而在上述过程中，文本的向量化、上下文联想问答这些都已经有成熟的API可以调用，前者需要考虑的是需要多少维度（可以理解为需要多少特征），后者就写好对应的prompt即可。

但向量的存储、搜索如何实现呢？

Qdrant的出现就是为了解决这个问题。

这一年多里，实际上已经涌现出很多的向量数据库，甚至一些老牌的数据库也已经通过插件的形式支持存储向量数据，但我之所以选择Qdrant的原因很简单，一是开源、二是对硬件要求低、三是文档很清晰。

这样我就可以在数据量不特别高的情况下，自己搭建一个向量数据库、服务接口来完成存储、搜索的环节，实际体验下来，确实很不错。

要知道阿里云和腾讯云基于开源的向量数据库提供的服务，动辄就要几千块每年了。

部署的过程很简单，官方有docker，我还是通过dockpoly进行部署和管理，过程不再赘述。

部署之后，需要开放端口、根据文档写增删改查即可，这部是cursor帮我完成的，简直不要太丝滑。

最终，我实现的功能会更复杂一些，但基本脱离不开向量搜索的范畴，甚至我突然发现，以前很难实现的模糊搜索这不就搞定了？虽然有AI的成本，但deepseek这种鲶鱼的搅动下，这两年tokens的价格越来越白菜化了。

所以如果你也有类似的搜索需求，不要迟疑，抓紧搞起来吧！