メニュー
Qdrant — vector similarity search engine. Payload filtering, quantized indexing, multi-tenant, and horizontal scaling. REST and gRPC API. Docker-native deployment for production RAG and recommendation.
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/mkurman/zorai --skill qdrantコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| name | qdrant |
| description | Qdrant — vector similarity search engine. Payload filtering, quantized indexing, multi-tenant, and horizontal scaling. REST and gRPC API. Docker-native deployment for production RAG and recommendation. |
| tags | ["qdrant","vector-database","similarity-search","embeddings","rag","infrastructure","zorai"] |
Qdrant is a high-performance vector similarity search engine supporting dense and sparse vectors, payload indexing and filtering, scalar/PQ quantization, multi-tenancy, and horizontal scaling via clustering. REST and gRPC APIs with async support.
docker run -p 6333:6333 qdrant/qdrant
from qdrant_client import QdrantClient, models
import numpy as np
client = QdrantClient("localhost", port=6333)
client.create_collection("documents", vectors_config=models.VectorParams(
size=384, distance=models.Distance.COSINE))
client.upsert("documents", points=[
models.PointStruct(id=1, vector=np.random.rand(384).tolist(), payload={"text": "Paris is capital of France"}),
models.PointStruct(id=2, vector=np.random.rand(384).tolist(), payload={"text": "Berlin is capital of Germany"}),
])
results = client.search("documents", query_vector=np.random.rand(384).tolist(), limit=5)
for hit in results:
print(hit.payload["text"], hit.score)