Qdrant

Qdrant는 임베딩 벡터를 저장하고 유사도 검색을 수행하는 벡터 데이터베이스이다.

프로젝트에서는 BGE-M3 임베딩을 저장하고, 컬렉션마다 cosine 거리와 1024 차원을 사용한다.

컬렉션

컬렉션은 벡터를 담는 논리적 저장소이다.

예:

rag-bge-m3
block-catalog-bge-m3
pipeline-history-bge-m3
error-patterns-bge-m3

도메인별로 컬렉션을 나누면 채팅 RAG와 워크플로우 카탈로그 RAG가 서로 섞이지 않는다.

VectorStore

LangChain에서는 Qdrant를 QdrantVectorStore로 감싸서 retriever처럼 사용한다.

Python

lazy 연결

Qdrant 연결은 무겁기 때문에 모듈 import 시점이 아니라 실제 검색이 필요할 때 초기화하는 편이 안전하다. 이것이 Lazy Initialization 패턴이다.

더 깊이

알고 싶은 것	노트
저장 단위와 메타데이터	Qdrant Point와 Payload
검색 호출의 인자 전부	Qdrant query_points
조건 필터 (must/should/must_not)	Qdrant 메타데이터 필터
필터를 쓰려면 필요한 인덱스	Payload Index
필터 시점이 왜 중요한가	Pre-filtering vs Post-filtering
유사도 컷라인	score_threshold
내부 인덱스 원리	HNSW
인덱스를 안전하게 다시 만들기	Qdrant 인덱스 재빌드 전략

한 줄 정리

Qdrant는 임베딩 벡터를 저장하고 코사인 유사도로 비슷한 문서를 찾아주는 벡터 DB이다.

Qdrant

Qdrant는 임베딩 벡터를 저장하고 유사도 검색을 수행하는 벡터 데이터베이스이다.

프로젝트에서는 BGE-M3 임베딩을 저장하고, 컬렉션마다 cosine 거리와 1024 차원을 사용한다.

컬렉션

컬렉션은 벡터를 담는 논리적 저장소이다.

예:

rag-bge-m3
block-catalog-bge-m3
pipeline-history-bge-m3
error-patterns-bge-m3

도메인별로 컬렉션을 나누면 채팅 RAG와 워크플로우 카탈로그 RAG가 서로 섞이지 않는다.

VectorStore

LangChain에서는 Qdrant를 QdrantVectorStore로 감싸서 retriever처럼 사용한다.

Python
store = QdrantVectorStore(
    client=client,
    collection_name="block-catalog-bge-m3",
    embedding=embedding,
)

lazy 연결

Qdrant 연결은 무겁기 때문에 모듈 import 시점이 아니라 실제 검색이 필요할 때 초기화하는 편이 안전하다. 이것이 Lazy Initialization 패턴이다.

더 깊이

알고 싶은 것	노트
저장 단위와 메타데이터	Qdrant Point와 Payload
검색 호출의 인자 전부	Qdrant query_points
조건 필터 (must/should/must_not)	Qdrant 메타데이터 필터
필터를 쓰려면 필요한 인덱스	Payload Index
필터 시점이 왜 중요한가	Pre-filtering vs Post-filtering
유사도 컷라인	score_threshold
내부 인덱스 원리	HNSW
인덱스를 안전하게 다시 만들기	Qdrant 인덱스 재빌드 전략

한 줄 정리

Qdrant는 임베딩 벡터를 저장하고 코사인 유사도로 비슷한 문서를 찾아주는 벡터 DB이다.

Qdrant

Qdrant

컬렉션

VectorStore

lazy 연결

더 깊이

한 줄 정리

관련

Synapse Map Insight

Qdrant

Qdrant

컬렉션

VectorStore

lazy 연결

더 깊이

한 줄 정리

관련

Synapse Map Insight