KSCOLD LogoKSCOLD
Blog
Feed
Product
Admin Night
Vault
Guestbook
Info

Vault 목록

LangChain VectorStore 메서드

연결된 노트와 함께 읽기

LangChain VectorStore 메서드

2026년 8월 28일

LangChain VectorStore 메서드

  • 우리 코드가 Qdrant를 만지는 실제 경로다. LangChain의 QdrantVectorStore가 클라이언트를 감싼다.
  • 문자열을 주면 임베딩까지 알아서 한다는 게 raw SDK와의 차이다.

팩토리

Python

Factory Pattern + Lazy Initialization. 연결이 무거우므로 import 시점이 아니라 실제 검색 때 만든다.

검색

Python
메서드반환비고
similarity_search(query, k)list[Document]점수를 안 준다 → score_threshold 못 씀
similarity_search_with_score(query, k)list[(Document, float)]우리가 쓰는 것. cosine은 1에 가까울수록 좋음
similarity_search_by_vector(vec, k)벡터를 직접 넣을 때이미 임베딩이 있는 경우
max_marginal_relevance_search다양성 고려비슷한 문서 중복을 줄임
as_retriever(search_type, search_kwargs)Retriever 객체체인에 꽂을 때
Python

쓰기 — id를 직접 준다

Python

ids=를 넘기면 point id를 우리가 정한다. 내용 해시 기반 결정적 id를 쓰면 재실행이 멱등해진다. 반환된 id가 요청과 같은지 확인하는 게 검증의 핵심이다 (Qdrant 인덱스 재빌드 전략).

Document 구조

Python
LangChainQdrant
page_contentpayload 안의 본문 필드
metadatapayload 나머지
(내부)vector

즉 document.metadata가 곧 payload다. 그래서 우리 필터링이 document.metadata.get("block_id")로 파이썬에서 이뤄진다.

래퍼의 대가

raw QdrantClientQdrantVectorStore
임베딩직접자동
query_filter노출가려짐
search_params(hnsw_ef)노출가려짐
결과point.payloaddocument.metadata

편의를 얻고 세밀한 제어를 잃는다. 서버 필터가 필요해지는 시점이 곧 래퍼를 벗는 시점이다.

한 줄 정리

VectorStore는 임베딩 + Qdrant 호출을 묶은 래퍼이고, similarity_search_with_score와 add_documents(ids=)가 우리가 쓰는 두 손잡이다.

관련

  • Qdrant
  • Qdrant 메서드 사전
  • LangChain
  • 임베딩(Embedding)
  • BGE-M3
  • score_threshold
  • Factory Pattern
  • Lazy Initialization

Synapse Map Insight

def _ensure_collection(client: QdrantClient, collection_name: str) -> None: """컬렉션 없으면 cosine/1024dim 으로 생성 (idempotent).""" existing = {c.name for c in client.get_collections().collections} if collection_name not in existing: client.create_collection( collection_name=collection_name, vectors_config=VectorParams(size=CATALOG_EMBEDDING_DIM, distance=Distance.COSINE), ) def get_vectorstore(collection_name=RAG_VECTOR_COLLECTION_NAME, embedding=None): embedding = embedding or get_embeddings() client = get_qdrant_client() _ensure_collection(client, collection_name) return QdrantVectorStore(client=client, collection_name=collection_name, embedding=embedding)
results = store.similarity_search_with_score(user_prompt, k=15) for document, score in results: block_id = document.metadata.get("block_id") text = document.page_content
return vs.as_retriever(search_type="similarity", search_kwargs={"k": 3})
written_ids = {str(pid) for pid in store.add_documents(batch, ids=batch_ids)} if written_ids != set(batch_ids): raise RuntimeError(f"{label} Qdrant upsert 응답 ID가 요청과 다릅니다.")
Document(page_content="블록 설명 텍스트...", metadata={"block_id": "TSM0004", "source": "catalog"})