Qdrant

Datos

Gestiona colecciones vectoriales y ejecuta búsqueda de similitud en Qdrant a través de conversación — Neotask usa OpenClaw para potenciar tu infraestructura de búsqueda de IA

Qué puedes hacer

Crear y configurar colecciones

Dígale a Neotask que cree una nueva colección Qdrant con parámetros vectoriales específicos: configuración de dimensión, métrica de distancia y cuantificación.

Cargar vectores y cargas útiles

Pídale a Neotask que cargue vectores en una colección de Qdrant con datos de carga asociados.

Ejecutar búsqueda de similitud

Pídale a Neotask que busque en una colección Qdrant los vecinos más cercanos a un vector de consulta con filtros top-k, umbral de puntuación y carga útil.

Búsqueda de filtros y carga útil

Pídale a Neotask que ejecute una búsqueda de vectores filtrados que combine la similitud de vectores con el filtrado de carga útil estructurada.

Administrar puntos y cargas útiles

Solicite a Neotask que recupere puntos específicos por ID, actualice campos de carga útil o elimine puntos de una colección.

Supervisar el estado de la colección

Solicite a Neotask información sobre la recopilación: recuento de puntos, estado del índice, uso del disco y estado del optimizador.

Intenta preguntar

  • "Cree una colección Qdrant llamada búsqueda de productos con dimensión 1536 y distancia coseno"
  • "Sube estos 50 vectores a la colección de incrustaciones de artículos con sus metadatos"
  • "Buscar producto: buscar los 10 vecinos más cercanos a este vector de consulta"
  • "Ejecute una búsqueda filtrada en incrustaciones de artículos: 5 resultados principales donde categoría = tecnología"
  • "¿Cuántos puntos hay en la colección de incrustaciones de clientes? ¿Se ha creado el índice?"
  • "Obtenga la carga útil para el punto 99887 en la búsqueda de productos"
  • "Eliminar todos los puntos en la colección de pruebas donde el estado sea archivado"
  • "Actualice la carga útil para el punto 12345: establezca la categoría en premium"

    • Consejos profesionales

  • Coseno, producto escalar y euclidiano: la métrica de distancia debe coincidir con la que utiliza su modelo de incrustación; la mayoría de los modelos OpenAI y Cohere esperan una distancia coseno.
  • Indexación de carga útil para búsqueda filtrada: los campos de carga útil utilizados en los filtros deben indexarse ​​para una búsqueda vectorial filtrada rápida; Solicite a Neotask que cree índices de carga útil en campos filtrados con frecuencia.
  • Cuantización para eficiencia de la memoria: habilite la cuantificación escalar (SQ8) para colecciones grandes; Reduce el uso de memoria 4 veces con una pérdida mínima de precisión.
  • Vectores con nombre para multimodal — Qdrant admite vectores con nombre en una única colección; configure vectores con nombre si desea almacenar varios tipos de incrustación por documento.
  • Desplácese para exportar el conjunto de datos completo: utilice el desplazamiento API para exportar todos los puntos de una colección; recorre puntos sin requerir un vector de consulta.