前言

在經過昨天的教學後，我們知道了每一步的重要性，任何的細節都會影響最後的結果！而在我們做好原始資料的準備與處理後，我們就繼續接下來的學習吧～
現在，我們要設置專門儲存向量化資料的向量資料庫（Vector Database），這次我們選擇 Qdrant 作為我們的向量資料庫。

什麼是 Qdrant

Qdrant 是一套開源的向量資料庫，它提供了一個方便的 API 服務，專門設計用於儲存、搜尋和管理向量。

Qdrant 有以下特點：

• Qdrant 提供 UI 介面，重點是它是免費的。
• Qdrant 支援多種距離度量方法，包括歐幾里得距離（Euclid）、內積（Dot）、曼哈頓距離（Manhattan）和餘弦相似度（Cosine），這使得它適應各類向量嵌入的需求。
• Qdrant 提供了易於使用的 REST API 和 gRPC 接口，方便開發者快速將其整合進現有系統或應用程序中。

在 Qdrant 的官網中也有提供他們測試的 benchmark 供參考，可以從裡面看到，相較於其他向量資料庫，Qdrant 的準確度是最高的，同時延遲也是最低的。

在安裝的部分，Qdrant 的官網也有提供安裝教學，Github 上也有 Python 的安裝教學。

Collection 的設置

在安裝好 Qdrant 後，我們就要來創建一個 Collection 啦～
Qdrant 的 Collections 相當於一般資料庫的 table，所以我們要先創建好一個 Collection 才能進行向量資料的儲存，而計算向量間相似性的方式也是在這個步驟進行設置。

from qdrant_client import QdrantClient, models

# 這是與 Qdrant 伺服器互動的客戶端，這裡的 URL 表示是本地伺服器
client = QdrantClient(url="http://localhost:6333")

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

create_collection 的設置參數：

• collection_name：這是 collection 的名稱
• vectors_config：設置向量的配置，size=100 表示每個向量有 100 維，distance=models.Distance.COSINE 指定了使用餘弦相似度來計算向量之間的相似性。

到目前這裡我們就算是成功安裝 Qdrant 並且創建了一個 Collection，接下來我們就要開始設置詞嵌入模型（Embedding Model）囉～

參考文獻

https://qdrant.tech/documentation/overview/