Qdrant query_points

query_points()는 Qdrant SDK(v1.10+)의 통합 검색 진입점이다. 구버전 search()의 후계이고, 벡터 검색·필터·추천·하이브리드를 한 인터페이스로 받는다.

Python
response = client.query_points(
    collection_name="block-catalog-bge-m3",
    query=query_vector,        # 1024차원 float 리스트
    limit=10,
    with_payload=True,
    with_vectors=False,
    score_threshold=0.3,
    query_filter=my_filter,
    search_params=models.SearchParams(hnsw_ef=128, exact=False),
)
for point in response.points:
    print(point.id, point.score, point.payload)

인자별로 무엇을 정하나

인자	정하는 것	관련
`query`	질의 벡터 (또는 point id)	임베딩(Embedding)
`limit`	상위 K개	—
`with_payload`	메타데이터를 같이 받을지	Qdrant Point와 Payload
`with_vectors`	1024차원 원본까지 받을지 — 보통 `False`	projection
`score_threshold`	점수 컷	score_threshold
`query_filter`	payload 조건	Qdrant 메타데이터 필터
`search_params`	`hnsw_ef`, `exact`	HNSW 파라미터

우리 프로젝트는 이걸 직접 안 부른다

LangChain 래퍼를 거친다.

Python
store = QdrantVectorStore(client=client, collection_name=..., embedding=embedding)
results = store.similarity_search_with_score(user_prompt, k=15)   # (Document, score) 목록

차이	직접 호출	LangChain 래퍼
임베딩	내가 벡터를 만들어 넣음	문자열을 주면 알아서 임베딩
결과	`point.payload`	`document.metadata`, `document.page_content`
필터·튜닝	전부 노출	일부만 노출 — 세밀한 제어는 client로 내려가야 함

편한 대신 query_filter나 search_params 같은 손잡이가 가려진다. 그래서 규모가 커지면 래퍼를 벗고 내려가게 된다.

한 줄 정리

query_points는 벡터 + 개수 + 필터 + 탐색 다이얼을 한 번에 선언하는 검색 호출이다.

Qdrant query_points

인자별로 무엇을 정하나

우리 프로젝트는 이걸 직접 안 부른다

한 줄 정리

관련

Synapse Map Insight