Semantic Kernel中Qdrant向量存储的距离函数支持问题解析

在开发基于Semantic Kernel的向量搜索应用时，开发者可能会遇到一个常见问题：当使用Qdrant作为向量存储后端时，某些距离函数不被支持。本文将深入分析这一问题，并提供解决方案。

问题背景

Semantic Kernel提供了与多种向量数据库集成的能力，其中Qdrant是一个流行的开源向量搜索引擎。在定义数据模型时，开发者需要为向量属性指定距离函数，这决定了向量相似度的计算方式。

核心问题分析

在Semantic Kernel的Qdrant集成中，距离函数的映射关系如下：

• CosineSimilarity → Distance.Cosine
• DotProductSimilarity → Distance.Dot
• EuclideanDistance → Distance.Euclid
• ManhattanDistance → Distance.Manhattan

然而，文档中提到的"CosineDistance"实际上并不被Qdrant后端支持，正确的名称应该是"CosineSimilarity"。这种命名不一致导致了开发者在实际使用中遇到错误。

解决方案

对于需要在Qdrant中使用余弦相似度的场景，开发者有以下几种选择：

1. 使用正确的函数名称：将"CosineDistance"改为"CosineSimilarity"
2. 省略距离函数：不指定距离函数时，Qdrant会默认使用余弦相似度
3. 使用属性简化声明：对于1536维的向量，可以直接使用[VectorStoreRecordVector(1536)]而不指定距离函数

最佳实践

在定义向量存储数据模型时，建议采用以下方式：

public class Hotel
{
    [VectorStoreRecordKey]
    public ulong HotelId { get; set; }

    [VectorStoreRecordData(IsFilterable = true)]
    public string HotelName { get; set; }

    [VectorStoreRecordData(IsFullTextSearchable = true)]
    public string Description { get; set; }

    [VectorStoreRecordVector(1536)]
    public ReadOnlyMemory<float>? DescriptionEmbedding { get; set; }

    [VectorStoreRecordData(IsFilterable = true)]
    public string[] Tags { get; set; }
}

这种方式既简洁又能确保与Qdrant的兼容性。

总结

Semantic Kernel与Qdrant的集成提供了强大的向量搜索能力，但开发者需要注意特定后端对距离函数的支持情况。通过理解底层实现细节并遵循最佳实践，可以避免常见的配置问题，构建高效的向量搜索应用。