Agent 开发实战 ：C#实现语义检索！向量数据库Qdrant的下载安装及调试步骤

一、安装向量数据库

Qdrant读作Q准儿得
安装下面两个包，在同一目录下解压，web-ui包解压后要改名为static，然后双击exe启动，文件目录如下所示

Releases · qdrant/qdrant

Releases · qdrant/qdrant-web-ui

二、启动向量数据库

双击后访问这个地址

三、代码编写

1.安装Nuget

如果搜索不到包，请勾选包括预览版

Qdrant.Client
ElBruno.LocalEmbeddings
CommunityToolkit.VectorData.Qdrant

2.将数据插入向量数据库

初次写入需要魔法，因为需要默认下载all-MiniLM-L6-v2 模型，训练设计就是输出384 个浮点数来表达文本语义，所以特性这里写的长度是384。

upsert：更新或者插入

var entries = new List<Glossary>
{
	new Glossary
	{
		Key = 1,
		Term = "A技术",
		Definition = "本公司的A技术，是核心技术，价格昂贵，用于提升业务处理速度，降低接口响应耗时。",
		DefinitionEmbedding = default
	},
	new Glossary
	{
		Key = 2,
		Term = "B技术",
		Definition = "是基础技术，价格便宜，B技术负责数据持久化，保障海量数据稳定存储与读取。",
		DefinitionEmbedding = default
	},
	new Glossary
	{
		Key = 3,
		Term = "C技术",
		Definition = "C技术是AI技术，价格昂贵，是先进技术，为智能检索模块，基于向量相似度实现知识库问答。",
		DefinitionEmbedding = default
	},
	new Glossary
	{
		Key = 4,
		Term = "D技术",
		Definition = "D技术是安全技术，价格中等，提供接口鉴权与限流，防止非法请求和流量冲击。",
		DefinitionEmbedding = default
	}
};
var vectorStore = new QdrantVectorStore(new QdrantClient("localhost"), ownsClient: true);
var collection = vectorStore.GetCollection<ulong, Glossary>("技术分类");
await collection.EnsureCollectionExistsAsync();
var embeddingGenerator = await LocalEmbeddingGenerator.CreateAsync();
foreach (var item in entries)
{
	var embedding = await embeddingGenerator.GenerateEmbeddingAsync(item.Definition);
	item.DefinitionEmbedding = embedding.Vector;
}

await collection.UpsertAsync(entries);

public class Glossary
{
    /// <summary>
    /// 主键，必须保留
    /// </summary>
    [VectorStoreKey]
    public ulong Key { get; set; }

    /// <summary>
    /// 词条/术语（建议保留）
    /// </summary>
    [VectorStoreData]
    public string Term { get; set; } = string.Empty;

    /// <summary>
    /// 描述（知识库，建议保留）
    /// </summary>
    [VectorStoreData]
    public string Definition { get; set; } = string.Empty;

    /// <summary>
    /// 描述向量，必须保留
    /// </summary>
    [VectorStoreVector(384)]
    public ReadOnlyMemory<float> DefinitionEmbedding { get; set; }
}

默认端口是6334

3.删除和编辑向量数据

UI界面可以这么操作

在控制台窗体中（C#代码），可根据ID进行删除操作

await collection.DeleteAsync(1);

4.向量检索（语义检索）

向量召回 / 语义检索 ：把用户问题转向量，在向量库找语义相似的知识库片段，不是简单文字匹配。

var vectorStore = new QdrantVectorStore(new QdrantClient("localhost"), ownsClient: true);
var collection = vectorStore.GetCollection<ulong, Glossary>("技术分类");
await collection.EnsureCollectionExistsAsync();
var embeddingGenerator = await LocalEmbeddingGenerator.CreateAsync();

// ========== 语义检索查询代码 ==========
string queryText = "我想购买和人工智能相关的技术";
// 1. 查询文本转为384维向量
var queryEmbeddingResult = await embeddingGenerator.GenerateEmbeddingAsync(queryText);
var queryVector = queryEmbeddingResult.Vector;

// 2. 在Qdrant做向量相似度检索
var searchResult =  collection.SearchAsync(
	queryVector,
	top: 3 // 返回最相似前3条
);

Console.WriteLine($"\n【查询问题】{queryText}");
Console.WriteLine("====检索结果====");
await foreach (var point in searchResult)
{
	Console.WriteLine($"相似度分数：{point.Score:F4}");
	Console.WriteLine($"术语：{point.Record.Term}");
	Console.WriteLine($"描述：{point.Record.Definition}\n");
}

备注：后续可将这些放进提示词中