5.6 KiB
5.6 KiB
下面我给你分别写 最小可用、可复制进项目的 Qdrant + Elasticsearch(通过 httpx)的简洁 async client,专为 RAG 系统 / 多知识库 场景设计。
代码特点:
- 极简、明确、可运行
- 全部 async
- 支持 多知识库(多 collection / 多 index)
- 备注清晰
- 适合直接丢进你的项目(如
app/vectorstore/)
✅ 一、Qdrant 最小异步客户端(AsyncQdrantClient)
文件:app/vectorstore/qdrant_client.py
# app/vectorstore/qdrant_client.py
"""
Qdrant 异步客户端(适用于 RAG 向量检索)
- 支持多知识库(每个知识库一个 collection)
- 简单、干净、无多余依赖
"""
from qdrant_client import AsyncQdrantClient
from qdrant_client.models import (
VectorParams,
Distance,
PointStruct,
)
from app.config import settings
# 创建全局异步客户端
# 推荐:FastAPI 单实例方式复用连接池
qdrant = AsyncQdrantClient(
host=settings.QDRANT_HOST,
port=settings.QDRANT_PORT,
api_key=settings.QDRANT_API_KEY,
)
async def ensure_collection(name: str, dim: int):
"""
如果 collection 不存在则创建。
适用于多知识库:每个知识库一个 collection。
"""
try:
await qdrant.get_collection(name)
except Exception:
await qdrant.recreate_collection(
collection_name=name,
vectors_config=VectorParams(
size=dim,
distance=Distance.COSINE
)
)
async def upsert_vectors(collection: str, vectors: list, payloads: list):
"""
写入向量(id 自增或自行维护)
- vectors: [[float...], ...]
- payloads: [{"text": "...", "kb": "..."}]
"""
points = [
PointStruct(
id=i,
vector=vectors[i],
payload=payloads[i]
)
for i in range(len(vectors))
]
await qdrant.upsert(
collection_name=collection,
points=points
)
async def vector_search(collection: str, query_vector: list, top_k: int = 5):
"""
查询向量相似度
"""
result = await qdrant.search(
collection_name=collection,
query_vector=query_vector,
limit=top_k
)
return result
✅ 二、Elasticsearch(使用 httpx)最小 async client
文件:app/vectorstore/es_client.py
官方 elasticsearch-py 是同步阻塞,因此我们手写 httpx 版,更适合 FastAPI/Sanic。
# app/vectorstore/es_client.py
"""
Elasticsearch async client(使用 httpx)
- 用于 BM25 搜索
- 支持多知识库:每个知识库一个 index
"""
import httpx
from app.config import settings
class AsyncES:
def __init__(self):
self.base = f"http://{settings.ES_HOST}:{settings.ES_PORT}"
self.auth = (settings.ES_USER, settings.ES_PASSWORD)
async def create_index(self, index: str):
"""
创建 index(知识库)
"""
async with httpx.AsyncClient() as client:
resp = await client.put(
f"{self.base}/{index}",
auth=self.auth,
json={
"settings": {
"analysis": {
"analyzer": {
"default": {"type": "standard"}
}
}
},
"mappings": {
"properties": {
"text": {"type": "text"},
"kb": {"type": "keyword"},
}
}
}
)
return resp.json()
async def add_doc(self, index: str, text: str, kb: str):
"""
写入文档(普通文本)
"""
async with httpx.AsyncClient() as client:
resp = await client.post(
f"{self.base}/{index}/_doc",
auth=self.auth,
json={"text": text, "kb": kb}
)
return resp.json()
async def bm25_search(self, index: str, query: str, top_k: int = 10):
"""
BM25 搜索
"""
async with httpx.AsyncClient() as client:
resp = await client.post(
f"{self.base}/{index}/_search",
auth=self.auth,
json={
"size": top_k,
"query": {
"match": {
"text": query
}
}
}
)
return resp.json()
# 全局实例
es = AsyncES()
📌 三、为什么这两个 client 都适合 RAG / 多知识库?
Qdrant → 负责向量检索
- 每个 knowledge_base = 一个 Qdrant collection
- 完全异步
- 适合你用 vLLM embedding
Elasticsearch → 负责 BM25 文本检索
- 每个 knowledge_base = 一个 ES index
- httpx 全异步,不阻塞 FastAPI/Sanic
- 支持大文本搜索、排序强大
两者结合 = 最常见 RAG Hybrid Retrieval
- BM25(text)解决 recall
- Vector(embedding)解决 semantic match
- 结果融合(RRF / weighted sum)
你下一步只需要一个混合检索 pipeline,我可以给你写。
📌 四、如果你需要,我可以继续生成:
- Qdrant + ES 混合检索 pipeline(RRF / 乘法融合 / 权重融合)
/hybrid_searchFastAPI 完整 API- ingest 文档(txt/docx/pdf),自动切片 + embedding + 写入 Qdrant & ES
- KB 管理(创建/删除/重建/清空)
- Docker Compose + 环境变量 + 部署脚本
只需告诉我: 👉 “生成混合检索 pipeline 和 API”