Практический курс по Qdrant для Python-разработчиков: embeddings, REST API, Python-клиент, гибридный поиск, multitenancy и production-деплой. Финал — VectorCatalog (FastAPI + Qdrant + Docker Compose). Только инженерия векторного поиска, применимая в проде.
Чему вы научитесь:
- Разворачивать Qdrant в Docker и работать через REST API и qdrant-client
- Проектировать коллекцию до загрузки данных: метрика, payload, индексы, named vectors
- Применять CRUD, search, scroll, count и фильтры по payload в Python
- Собирать гибридный поиск (dense + sparse, RRF) и рекомендации через Recommendation API
- Настраивать multitenancy (tenant_id) и zero-downtime reindex через алиасы коллекций
- Эксплуатировать Qdrant в production: snapshots, мониторинг, API key, Docker Compose
О курсе:
- Короткие туториалы «Как поднять Qdrant за вечер» хорошо знакомят с API. В production же чаще всплывают другие вопросы: почему выросла задержка поиска, как разделить данные клиентов в одной коллекции и как переиндексировать каталог без остановки сервиса.
- Здесь последовательный путь от первого контейнера до осознанной эксплуатации Qdrant. Курс для Python-разработчиков, которым ножно понимание, как устроено векторное хранилище и как его встроить в backend.
- Главный результат вы проектируете коллекции, фильтры, а не копируете сниппеты вслепую. Финал рабочий проет VectorCatalog: витрина, гибридный поиск, рекомендации, два tenant и blue-green reindex.
Маршрут курса:
- Фундамент и REST API Docker, Dashboard, коллекции, точки, первый поиск
- Python-клиент CRUD, query_points, scroll, payload-фильтры
- Продвинутые паттерны hybrid (dense + sparse), Recommendation API, multitenancy, алиасы
- Production Compose, мониторинг, snapshots, API key
- VectorCatalog пошаговая сборка capstone
- Закрепление глоссарий, тесты и задачи по всему материалу
- Qdrant здесь самостоятельный инженерный навык: поиск, рекомендации, изоляция tenant, миграции индекса.
Для кого этот курс:
- Python/backend-разработчики, которым нужен семантический или гибридный поиск в продукте
- Инженеры, которые подключили Qdrant «по гайду», но не разобрались с фильтрами, индексами payload и multitenancy
- Команды, проектирующие SaaS или базу знаний с изоляцией данных по клиентам
- Те, кто готовит свой пет-проект, но не знает как обращаться с векторной базой
- Разработчики которые уже знают, что такое RAG/агенты и хотят разобраться с векторной БД
Начальные требования:
- Python 3.11+ функции, dict/list, базовая работа с модулями
- Желательно иметь базу по вопросам RAG, LLM (Я бы порекомендовал проходить курс после модуля 4 курса по LLM)
- Docker запуск контейнера, docker compose up
- HTTP и JSON GET/POST, чтение тела ответа
- Понимание, что вектор это массив чисел фиксированной длины (что такое embeddings и как их создавать)
- Не требуется: PyTorch, training моделей, линейная алгебра, опыт ML-инженера
Что вы получаете:
- Системное понимание Qdrant: от embeddings до production-паттернов
- Проект VectorCatalog для портфолио (FastAPI + Qdrant + PostgreSQL + Docker)
- Готовые приёмы: hybrid search, multitenancy, alias swap, backup через snapshot
- Глоссарий курса — быстрый повтор терминов перед собеседованием или code review
- База для RAG и AI-backend — без «магии», с контролем над индексом и фильтрами
Программа:
Введение и установка:
- О курсе
- Что такое embeddings (эмбеддинги)?
- Что такое Qdrant и зачем он нужен
- Установка: Docker и первый запуск
- Qdrant Web UI: визуальная отладка
- Конфигурация: persistence и ресурсы
- Qdrant Cloud vs Self-hosted
HTTP API Qdrant — полное погружение:
- Коллекции: create, get, list, delete
- Настройка коллекции: optimizers и HNSW
- CRUD для points: upsert, retrieve, delete
- Векторный поиск: distance и параметры
- Фильтрация по payload
- WithPayload и WithVector
- Scroll API: обход больших коллекций
- Наглядный пример: простой поиск по документам
- Закрепление
qdrant-client для Python:
- Установка и первый запуск клиента
- QdrantClient: конструктор и подключение
- Режимы клиента: sync, async, embedded
- Метод create_collection
- Структуры данных и CRUD точек
- Поиск
- Scroll
- Фильтры и payload-индексы
- Named vectors
- Groups: search_groups
- Snapshots
- Ошибки, логирование и отладка
- Закрепление
Расширенные возможности Qdrant:
- Архитектура мульти-векторных коллекций
- Sparse vectors и hybrid search
- Recommendation API
- Quantization
- Multitenancy через payload
- Aliases и миграция данных
- Закрепление
Эксплуатация:
- Production-деплой: Docker Compose
- Мониторинг и безопасность
- Backup-стратегии
VectorCatalog — поиск и рекомендации товаров:
- Архитектура и окружение
- Коллекция и загрузка каталога
- FastAPI и витрина (Jinja2)
- Поиск: гибрид и фильтры
- Рекомендации
- Production: масштаб и деплой
Глоссарий и закрепление материала по всему курсу:
- Глоссарий курса
- Тесты
- Задачи
Заключение:
