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

2. 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

3. 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

4. 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"}）

5. 异步支持

   • 全面使用 async/await，适合高并发应用

6. 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

- End -