大模型应用开发 / 系统课时
创建向量集合
创建向量集合
本课介绍如何创建适配嵌入模型的向量集合,完成向量维度、距离算法和负载索引配置。学习完成后,可以为 RAG 知识库准备可存储、可检索的向量数据空间。
学习目标
- 理解向量集合中维度、距离算法和索引结构的作用。
- 掌握创建向量集合时的核心配置方法。
- 能够验证集合配置是否符合嵌入模型要求。
理解向量集合的核心配置
向量集合是向量数据库中保存嵌入结果的逻辑空间。创建集合时,需要保证集合维度与嵌入模型输出维度一致,否则写入向量时会失败。距离算法决定查询时如何衡量两个向量的相似程度。
常见配置包括向量大小、距离度量方式和负载字段索引。RAG 场景中通常还需要保存正文、文档编号、来源、时间等元数据,用于过滤和结果展示。
创建集合示例
以下以 Qdrant 创建集合为例,展示创建一个存储知识片段向量的集合。示例中的维度需要根据实际使用的嵌入模型调整。
bash
curl -X PUT "http://localhost:<PORT>/collections/knowledge_chunks" \
-H "Content-Type: application/json" \
-d '{
"vectors": {
"size": 1536,
"distance": "Cosine"
}
}'预期结果
json
{
"result": true,
"status": "ok"
}其中 size 表示每个向量包含的维度数量,必须与嵌入模型输出保持一致。Cosine 适合文本语义检索场景,可以减少向量长度差异带来的影响。
添加负载索引
向量检索通常不仅依赖相似度,还需要结合业务条件过滤。例如只搜索指定知识库、指定文档类型或指定租户的数据,因此需要为高频过滤字段建立索引。
bash
curl -X PUT "http://localhost:<PORT>/collections/knowledge_chunks/index" \
-H "Content-Type: application/json" \
-d '{
"field_name": "document_id",
"field_schema": "keyword"
}'预期结果
json
{
"result": true,
"status": "ok"
}索引设计应围绕查询条件决定,不应为所有字段创建索引。过多索引会增加存储空间和写入维护成本。
验证集合配置
创建完成后,需要检查集合状态和向量参数,确认模型输出与数据库配置匹配。验证重点包括:
- 集合是否创建成功。
- 向量维度是否正确。
- 距离算法是否符合检索需求。
- 过滤字段是否具备对应索引。
如果出现向量长度不匹配错误,优先检查嵌入模型版本和集合维度配置,而不是调整查询逻辑。
按自己的节奏,确认真正理解。