qdrant-dotnet：官方提供的开源 .NET 客户端库，用于与 Qdrant 向量搜索引擎操作！

基于AI开发应用，已经是非常流行了，特别是AI 增强应用（如 RAG）。而开发AI应用，必须用到向量数据库。

Qdrant就是一个开源的向量相似度搜索引擎，专为高效存储、检索和管理高维向量（embeddings）而设计。它不仅支持向量搜索，还允许为每个向量附加结构化元数据（称为 payload），从而实现更灵活、精准的语义搜索和混合检索。

qdrant-dotnet就是Qdrant官方提供的开源 .NET 客户端库，同时也提供Python、Go、JavaScript、Rust 等客户端。

01 项目简介

该客户端库提供了对 Qdrant REST API 和 gRPC 接口的完整封装，主要功能包括：

向量操作
- 插入（upsert）、更新、删除向量点（points）
- 批量导入向量数据
向量搜索
- 支持多种距离度量（余弦、点积、欧氏距离等）
- 支持带 payload 过滤条件的语义搜索
- 支持按 ID 精确检索
集合（Collection）管理
- 创建、删除、更新集合
- 配置向量维度、索引类型、存储选项等
Payload 操作
- 为每个向量附加结构化元数据（payload）
- 支持基于 payload 的过滤（例如 {"category": "electronics"}）
异步支持
- 全面使用 async/await，适合高并发应用
gRPC 支持
- 除默认的 HTTP/REST 外，也支持更高效的 gRPC 协议（需 Qdrant 服务启用 gRPC）

02 使用方法

1、安装依赖

复制代码

dotnet add package Qdrant.Client

2、保存向量并搜索

cs 复制代码

using Qdrant.Client;
using Qdrant.Client.Grpc;
// 创建客户端
var client = new QdrantClient("localhost", port: 6333);
// 创建集合
await client.CreateCollectionAsync(
    collectionName: "example",
    vectorsConfig: new VectorParams { Size = 4, Distance = Distance.Cosine }
);
// 插入向量
await client.UpsertAsync(
    collectionName: "example",
    points: new[]
    {
        new PointStruct
        {
            Id = 1,
            Vectors = new float[] { 0.1f, 0.2f, 0.3f, 0.4f },
            Payload = { ["name"] = "item_1" }
        }
    }
);
// 搜索
var results = await client.SearchAsync(
    collectionName: "example",
    queryVector: new float[] { 0.15f, 0.25f, 0.35f, 0.45f },
    limit: 3
);

03 项目地址

https://github.com/qdrant/qdrant-dotnet

End -