极速集成向量数据库：langchain4j与Qdrant实战指南

2026-02-04 04:45:55作者：胡唯隽

LangChain4j is an idiomatic, open-source Java library for building LLM-powered applications on the JVM. It offers a unified API over popular LLM providers and vector stores, and makes implementing tool calling (including MCP support), agents and RAG easy. It integrates seamlessly with enterprise Java frameworks like Quarkus and Spring Boot.

项目地址：https://gitcode.com/GitHub_Trending/la/langchain4j

你是否在Java应用中集成AI能力时遇到向量存储难题？是否需要高效管理海量Embedding数据？本文将通过实战案例，演示如何使用langchain4j快速对接Qdrant向量数据库，实现从环境搭建到高级检索的全流程。读完本文你将掌握：Qdrant本地化部署、Java客户端配置、向量增删查改操作、元数据过滤检索等核心技能。

技术架构概览

langchain4j是专为Java开发者设计的AI集成库，提供统一接口对接各类LLM服务与向量数据库。Qdrant作为高性能向量搜索引擎，支持毫秒级相似性检索，二者结合可构建企业级RAG应用。

Qdrant架构

核心模块路径：

Qdrant存储实现：langchain4j-qdrant/src/main/java/dev/langchain4j/store/embedding/qdrant/QdrantEmbeddingStore.java
官方文档：docs/get-started.md
测试案例：langchain4j-qdrant/src/test/java/dev/langchain4j/store/embedding/qdrant/QdrantEmbeddingStoreIT.java

环境准备

1. Qdrant服务部署

使用Docker快速启动Qdrant服务：

docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant:latest

2. 项目依赖配置

在pom.xml中添加依赖：

<dependency>
    <groupId>dev.langchain4j</groupId>
    <artifactId>langchain4j-qdrant</artifactId>
    <version>0.27.0</version>
</dependency>

核心功能实现

客户端初始化

通过Builder模式创建Qdrant连接：

QdrantEmbeddingStore embeddingStore = QdrantEmbeddingStore.builder()
    .host("localhost")
    .port(6334)  // gRPC端口
    .collectionName("documents")
    .build();

关键配置参数说明：

host: Qdrant服务地址
port: gRPC通信端口(默认6334)
collectionName: 向量集合名称
apiKey: 认证密钥(可选)

向量数据操作

添加向量

// 创建文本片段与元数据
TextSegment segment = TextSegment.from("langchain4j是Java AI开发利器", 
    Metadata.from("source", "github", "author", "dev-team"));

// 生成Embedding(使用内置模型)
Embedding embedding = new AllMiniLmL6V2QuantizedEmbeddingModel()
    .embed(segment.text()).content();

// 存储向量与文本
String id = embeddingStore.add(embedding, segment);

相似性检索

// 检索Top3相似结果
EmbeddingSearchRequest request = EmbeddingSearchRequest.builder()
    .queryEmbedding(queryEmbedding)
    .maxResults(3)
    .minScore(0.7)  // 相似度阈值
    .build();

EmbeddingSearchResult<TextSegment> result = embeddingStore.search(request);

// 处理结果
for (EmbeddingMatch<TextSegment> match : result.matches()) {
    System.out.printf("相似度: %.2f, 文本: %s%n", 
        match.score().value(), match.embedded().text());
}

元数据过滤

支持复杂条件过滤检索：

Filter filter = Filter.builder()
    .add(IsEqualTo.of("source", "github"))
    .add(IsGreaterThan.of("timestamp", 1620000000))
    .build();

EmbeddingSearchRequest request = EmbeddingSearchRequest.builder()
    .queryEmbedding(queryEmbedding)
    .filter(filter)
    .maxResults(5)
    .build();

高级特性

集合管理

创建自定义配置的向量集合：

QdrantClient client = new QdrantClient(QdrantGrpcClient.newBuilder("localhost", 6334, false).build());

client.createCollectionAsync(
    "documents",
    VectorParams.newBuilder()
        .setDistance(Cosine)  // 余弦相似度
        .setSize(384)         // 向量维度
        .build()
).get();

批量操作优化

批量添加向量提升性能：

List<Embedding> embeddings = new ArrayList<>();
List<TextSegment> segments = new ArrayList<>();
// 添加数据...

List<String> ids = embeddingStore.addAll(embeddings, segments);