Qdrant

El componente Qdrant permite almacenar documentos y realizar búsquedas de similitud en la base de datos Qdrant. Conecta tu flujo de trabajo de Nappai a Qdrant, indexa los textos con embeddings y devuelve los documentos más relevantes según una consulta.

¿Cómo funciona?

El componente se comunica con Qdrant a través de su API. Cuando seleccionas la operación Add, los documentos que ingresas se convierten en objetos de LangChain y se envían a Qdrant junto con su embedding. Si eliges Search, el componente envía la consulta a Qdrant y devuelve los documentos más cercanos según la métrica de distancia configurada (Cosine, Euclidean o Dot Product). La operación Retriever simplemente crea y devuelve un objeto Retriever que puedes usar en otras partes de tu flujo para obtener resultados de forma programática.

Operaciones

Este componente ofrece varias operaciones que puedes seleccionar según lo que necesites hacer. Solo puedes usar una operación a la vez:

• Add: Ingresa documentos en la colección de Qdrant.
• Search: Busca los documentos más similares a una consulta de texto.
• Retriever: Crea un objeto Retriever que puede usarse para búsquedas posteriores.

Para usar el componente, primero selecciona la operación que necesitas en el campo “Operation” (Operación).

Entradas

• Embedding: El modelo de embeddings que se usará para convertir textos en vectores.
  Visible en: Add, Search, Retriever

• Ingest Data: Los documentos que quieres almacenar en Qdrant.
  Visible en: Add

• Operation: La operación que deseas ejecutar (Add, Search o Retriever).
  Visible en: Add, Search, Retriever

• Collection Name: Nombre de la colección en Qdrant donde se guardarán los documentos.
  Visible en: Add, Search, Retriever

• Content Payload Key: Clave que identifica el contenido del documento dentro del payload.
  Visible en: Add, Search, Retriever

• Distance Function: Métrica de distancia que se usará para la búsqueda (Cosine, Euclidean o Dot Product).
  Visible en: Add, Search, Retriever

• Metadata Payload Key: Clave que identifica los metadatos del documento dentro del payload.
  Visible en: Add, Search, Retriever

• Number of Results: Número de documentos que se devolverán en una búsqueda.
  Visible en: Add, Search, Retriever

• Port: Puerto del servidor Qdrant.
  Visible en: Add, Search, Retriever

• Prefix: Prefijo opcional para la colección.
  Visible en: Add, Search, Retriever

• Search Query: Texto que se usará para buscar documentos similares. Deja vacío para obtener todos los documentos.
  Visible en: Search

• Timeout: Tiempo máximo de espera para las peticiones a Qdrant.
  Visible en: Add, Search, Retriever

• URL: Dirección del servidor Qdrant (por ejemplo, https://my-qdrant-instance.com).
  Visible en: Add, Search, Retriever

Credencial
Este componente necesita una credencial de tipo Qdrant API.

1. Configura la credencial en la sección de credenciales de Nappai.
2. Selecciona esa credencial en el campo Credential del componente.
   (Los campos de la credencial, como la API Key, no aparecen en la lista de entradas.)

Salidas

• Retriever: Un objeto Retriever que puede usarse para obtener resultados de búsqueda en otras partes del flujo.
• Results: Lista de documentos encontrados por la operación Search.
• Vector Store: El objeto VectorStore que representa la colección en Qdrant.

Ejemplo de Uso

Operación Add

1. Selecciona Add en el campo Operation.
2. Proporciona un modelo de embeddings en Embedding.
3. Sube los documentos a Ingest Data.
4. Configura Collection Name, URL, y opcionalmente Port, Prefix, Content Payload Key, Metadata Payload Key.
5. Haz clic en Run. Los documentos se guardarán en Qdrant y el flujo mostrará el objeto Vector Store.

Operación Search

1. Selecciona Search en el campo Operation.
2. Proporciona el mismo modelo de embeddings en Embedding.
3. Ingresa la consulta de búsqueda en Search Query.
4. Configura Collection Name y URL (mismos que en Add).
5. Ajusta Number of Results si quieres más o menos documentos.
6. Haz clic en Run. Los documentos más similares aparecerán en la salida Results.

Componentes Relacionados

• FAISS Vector Store – Almacena embeddings localmente en memoria.
• Chroma Vector Store – Base de datos de embeddings ligera y rápida.
• OpenAI Embeddings – Genera embeddings usando la API de OpenAI.
• Retriever – Componente que encapsula la lógica de búsqueda.

Consejos y Mejores Prácticas

• Usa la misma configuración de embeddings en Add y Search para garantizar resultados coherentes.
• Limita el número de resultados a un rango razonable (por ejemplo, 4–10) para evitar sobrecargar la interfaz.
• Configura un timeout adecuado si tu instancia de Qdrant está en la nube y puede experimentar latencia.
• Revisa la política de seguridad de tu servidor Qdrant y habilita HTTPS cuando sea posible.

Consideraciones de Seguridad

• Asegúrate de que la credencial Qdrant API esté protegida y no se comparta públicamente.
• Si usas HTTPS, verifica que el certificado sea válido para evitar ataques de intermediarios.
• Mantén actualizada la versión de Qdrant y los clientes de LangChain para beneficiarte de correcciones de seguridad.