Qdrant向量数据库操作指南查询搜索

　　1.查询数据入口
　　query = {＂text＂:＂＂＂腾讯财报利润＂＂＂}
　　2.大文本必须切分，根据embedding model大小跟需要chunk
　　def to_splitter(content):
　　doc_splitter = RecursiveCharacterTextSplitter(chunk_size=256, chunk_overlap=0)
　　split_text = doc_splitter.split_text(content[＂text＂])
　　return split_text
　　3.embedding化
　　def to_embeddings(items):
　　#embeddings = HuggingFaceEmbeddings(model_name=＂sentence-transformers/all-mpnet-base-v2＂)
　　#embeddings = HuggingFaceEmbeddings(model_name=＂shibing624/text2vec-base-chinese＂)
　　sentence_embeddings = HuggingFaceEmbeddings(model_name=＂GanymedeNil/text2vec-large-chinese＂)
　　return sentence_embeddings.embed_documents(items)
　　4.向量检索
　　def search(query):
　　client = QdrantClient(＂*****＂, port=6333)
　　collection_name = ＂test_collection＂
　　# 过滤条件
　　query_filter = Filter(
　　must=[
　　FieldCondition(
　　key=＂collect_type＂,
　　match=MatchValue(value=＂news＂, ),
　　)
　　])
　　＂＂＂
　　# 单查询搜索
　　search_result = client.search(
　　collection_name=collection_name,
　　query_vector=query[0],
　　# query_filter=query_filter,
　　limit=3,
　　search_params={＂exact＂: False, ＂hnsw_ef＂: 128},
　　with_payload=True,
　　# with_vectors=True
　　)
　　＂＂＂
　　#batch相似度搜索
　　search_queries = [SearchRequest(vector=search,
　　#filter=query_filter,
　　limit=3,
　　with_payload=True,
　　search_params={＂exact＂: False, ＂hnsw_ef＂: 128}
　　)
　　for search in query]
　　search_result = client.search_batch(
　　collection_name=collection_name,
　　requests=search_queries
　　)
　　print(search_result)
　　answers = []
　　tags = []
　　＂＂＂
　　注意前端提示词的长度限制
　　＂＂＂
　　text_append = ＂＂
　　for result in search_result:
　　for r in result:
　　if len(r.payload[＂text＂]) > 512:
　　text = r.payload[＂text＂][:512]
　　else:
　　text = r.payload[＂text＂]
　　text_append+=text
　　answers.append({＂text＂: text_append})
　　return answers