Qdrant

データ

会話を通じて Qdrant でベクトル コレクションを管理し、類似性検索を実行します。Neotask は OpenClaw を使用して AI 検索インフラストラクチャを強化します。

あなたにできること

コレクションの作成と構成

Neotask に、特定のベクトル パラメーター (次元、距離メトリック、量子化設定) を使用して新しい Qdrant コレクションを作成するように指示します。

ベクターとペイロードのアップロード

Neotask に、関連するペイロード データとともにベクトルを Qdrant コレクションにアップロードするよう依頼します。

類似性検索の実行

Neotask に、top-k、スコアしきい値、およびペイロード フィルターを使用して、クエリ ベクトルの最近傍を Qdrant コレクションで検索するように依頼します。

フィルタとペイロードの検索

Neotask に、ベクトルの類似性と構造化ペイロード フィルタリングを組み合わせたフィルタリングされたベクトル検索を実行するよう依頼します。

ポイントとペイロードの管理

Neotask に、ID による特定のポイントの取得、ペイロード フィールドの更新、またはコレクションからのポイントの削除を依頼します。

コレクションの健全性を監視する

Neotask にコレクション情報 (ポイント数、インデックス ステータス、ディスク使用量、オプティマイザ ステータス) を問い合わせます。

聞いてみてください

  • 「次元 1536 とコサイン距離を使用して、product-search という Qdrant コレクションを作成します」
  • 「これらの 50 個のベクトルをメタデータとともに記事埋め込みコレクションにアップロードします」
  • 「製品の検索 - このクエリ ベクトルに最も近い上位 10 個の検索」
  • 「記事の埋め込みでフィルター検索を実行: category=technology の上位 5 件の結果」
  • 「顧客埋め込みコレクションにはいくつのポイントがあり、インデックスは構築されていますか?」
  • 「製品検索でポイント 99887 のペイロードを取得します」
  • 「ステータスがアーカイブ済みであるテストコレクション内のすべてのポイントを削除します」
  • 「ポイント 12345 のペイロードを更新します: カテゴリをプレミアムに設定します」

    • プロのヒント

  • コサイン vs ドット積 vs ユークリッド — 距離メトリックは、埋め込みモデルが使用するものと一致する必要があります。ほとんどの OpenAI および Cohere モデルはコサイン距離を想定しています。
  • フィルタリングされた検索のためのペイロード インデックス付け — フィルタリングされたベクトル検索を高速に行うには、フィルタで使用されるペイロード フィールドにインデックスを付ける必要があります。 Neotask に、頻繁にフィルターされるフィールドにペイロード インデックスを作成するよう依頼します。
  • メモリ効率のための量子化 — 大規模なコレクションに対してスカラー量子化 (SQ8) を有効にします。精度の低下を最小限に抑えながら、メモリ使用量を 4 分の 1 に削減します。
  • マルチモーダル用の名前付きベクトル — Qdrant は、単一のコレクション内の名前付きベクトルをサポートします。ドキュメントごとに複数の埋め込みタイプを保存する場合は、名前付きベクトルを構成します。
  • データセット全体をエクスポートするにはスクロール — スクロール API を使用して、コレクション内のすべてのポイントをエクスポートします。クエリ ベクトルを必要とせずにポイントをページングします。