Qdrant

Qdrant 存储向量及 payload 元数据，用于相似度检索。Vane 通过分布式 point upsert 写入查询结果，将列映射为 point ID、向量及 payload 字段。

示例

下面将两条文档向量写入 documents。安装 vane-ai[qdrant] 可选依赖，并预先创建使用余弦距离、包含一个未命名 3 维稠密向量的集合。查询提供无符号 64 位 ID 和 float32 向量。

example.py

import vane
from vane import QdrantSink


relation = vane.sql("""
    SELECT id::UBIGINT AS id, embedding::FLOAT[] AS embedding, title
    FROM (VALUES
        (1, [0.1, 0.2, 0.3], 'Vector search'),
        (2, [0.4, 0.5, 0.6], 'Data pipelines')
    ) AS documents(id, embedding, title)
""")


sink = QdrantSink(
    "documents",
    url="http://localhost:6333",
    point_id="id",
    vector_mapping="embedding",
    payload_mapping={"title": "title"},
    worker_count=2,
)
summary = relation.write_datasink(sink)

服务地址需能被所有 worker 访问。相同 ID 会替换该 point 的完整向量及 payload；后续批次失败时，已成功的批次不会回滚。