Qdrant 除了可以地端自架，也有雲端 SaaS 的免費版本。一般建議除了有自架的需求之外，使用 SaaS 版本會是最省事的。用戶只需要註冊並開始使用，不需處理硬體部署、操作系統更新或資料庫備份等繁瑣的技術性任務。我們今天就來註冊一個 SaaS 的 Qdrant 吧。

1. 前往官網 https://cloud.qdrant.io/login ，接著用你想要第三方登入的帳號來登入，或是創建新帳號也是可以。
2. 接著我們創建一個免費等級的cluster，輸入名稱後點擊Create free tier cluster。如下圖所示。

3. 等待一下就會出現創建成功的畫面，接著點擊Continue。如下圖。
   

4. 接著會要取得你的 API key，要注意不會再出現第二次了，要立刻存下來。如下圖所示。
   

5. 接著我們就來寫程式吧！

我們先安裝 qdrant-client，使用指令 poetry add qdrant-client ，然後把下面的程式碼複製貼上。

from qdrant_client import QdrantClient, models
import requests
import json
import uuid

qdrant_url = "YOUR_QDRANT_SAAS_URL"
qdrant_api_key = "YOUR_API_KEY"

qclient = QdrantClient(url=qdrant_url, api_key=qdrant_api_key)

cohere_embed_url = "https://Cohere-embed-v3-multilingual-yqv.westus3.models.ai.azure.com/embeddings"
headers = {
    "Authorization": "Bearer xx",
    "Content-Type": "application/json"
}

data = {
    "input": [
        "大家好"
    ]
}

response = requests.post(cohere_embed_url, headers=headers, data=json.dumps(data))

if response.status_code == 200:
    response_data = response.json()
    # Extract the embedding vector from the response
    embedding_vector = response_data['data'][0]['embedding']
    print("Embedding Vector:", len(embedding_vector))
else:
    print("Error:", response.status_code, response.text)


if not qclient.collection_exists(collection_name="ironman2024"):
    qclient.create_collection(
        collection_name="ironman2024",
        vectors_config=models.VectorParams(size=3, distance=models.Distance.COSINE),
    )
    print("Not exisit, collection created")

qclient.upsert(
    collection_name="ironman2024",
    points=[
        models.PointStruct(
            id=uuid.uuid4().hex,
            payload={
                "text": data["input"][0],
            },
            vector=embedding_vector,
        ),
    ],
)

5. 下面是程式碼的說明：

這段程式碼首先引入了所需的套件。QdrantClient 用於與 Qdrant，requests 用於發送 HTTP 請求，json 用於處理 JSON 數據，uuid 用於生成唯一的 ID。

qdrant_url 和 qdrant_api_key 是 Qdrant SaaS 的 URL 和 API key。接著，通過 QdrantClient 創建了一個 Qdrant 的 client，用於後續操作。

接著我們向前幾天部署好的 Cohere API 發送一個 POST 請求。Cohere API 的 URL 是 cohere_embed_url，並通過 headers 提供必要的身份驗證（Bearer xx）。請求的資料用「大家好」 作為輸入文本，Cohere API 將生成這段文本的 embedding。

這我們檢查請求是否成功（狀態碼為 200）。如果成功，它會從 response 裡取出 embedding向量並印出來。

接著我們建立 collection。這部分程式碼檢查名為 ironman2024 的 collection 是否已經存在。如果該 collection 不存在，則創建一個新的 collection。vectors_config 中定義了向量的大小和距離計算的方式。注意這裡要根據你所使用的 embedding model 來決定向量大小，例如我們用 Cohere-embed-v 3-multilingual，那就是 1024。

最後，我們將文本及其對應的 embedding 向量上傳到 Qdrant 資料庫中。使用 upsert 方法來插入資料點，每個資料點有唯一的 ID（uuid.uuid4().hex），並包括一個 payload（原始文本就要放在 payload 裡），以及生成的 embedding_vector。這樣，文本和向量就會被儲存在 Qdrant 中，後續可以進行相似度查詢。

6. 接著我們進到 Qdrant Cloud 的 dashboard 裡，就可以看到剛剛成功新增這筆資料了。如下圖所示。

好的，明天我們就來把前幾天的產品資料，通通整合到向量資料庫裡吧！