Qdrant

from qdrant_client import QdrantClient
from qdrant_client.models import (
    Distance, VectorParams, PointStruct,
    Filter, FieldCondition, MatchValue, Range
)
import openai
from datetime import datetime, timedelta

# 1. Qdrant 클라이언트 초기화
# 로컬: client = QdrantClient(path="./qdrant_data")
# Docker: client = QdrantClient(host="localhost", port=6333)
client = QdrantClient(
    url="https://your-cluster.qdrant.io",
    api_key="your-api-key"
)

# 2. 컬렉션 생성 (벡터 저장소)
collection_name = "documents"
client.recreate_collection(
    collection_name=collection_name,
    vectors_config=VectorParams(
        size=1536,                    # OpenAI ada-002 차원
        distance=Distance.COSINE     # 유사도 측정 방식
    )
)

# 3. 문서와 메타데이터를 함께 저장
def embed_text(text):
    """OpenAI 임베딩 생성"""
    response = openai.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

documents = [
    {"id": 1, "text": "PyTorch는 동적 계산 그래프를 지원하는 딥러닝 프레임워크입니다.",
     "category": "ML", "author": "kim", "created_at": "2024-01-15"},
    {"id": 2, "text": "Qdrant는 Rust로 개발된 고성능 벡터 데이터베이스입니다.",
     "category": "Database", "author": "lee", "created_at": "2024-01-20"},
    {"id": 3, "text": "RAG는 검색과 생성을 결합한 AI 기술입니다.",
     "category": "ML", "author": "kim", "created_at": "2024-01-25"},
]

# 벡터와 메타데이터를 함께 업로드
points = [
    PointStruct(
        id=doc["id"],
        vector=embed_text(doc["text"]),
        payload={                      # 메타데이터
            "text": doc["text"],
            "category": doc["category"],
            "author": doc["author"],
            "created_at": doc["created_at"]
        }
    )
    for doc in documents
]

client.upsert(collection_name=collection_name, points=points)
print(f"Uploaded {len(points)} documents")

# 4. 필터링 + 벡터 검색 (Qdrant의 강점!)
query = "딥러닝 프레임워크에 대해 알려줘"
query_vector = embed_text(query)

# 복합 필터: category가 'ML'이고, 2024-01-01 이후 작성된 문서
results = client.search(
    collection_name=collection_name,
    query_vector=query_vector,
    query_filter=Filter(
        must=[
            FieldCondition(key="category", match=MatchValue(value="ML")),
        ]
    ),
    limit=5,
    with_payload=True
)

print("\n=== 검색 결과 ===")
for result in results:
    print(f"Score: {result.score:.4f}")
    print(f"Text: {result.payload['text']}")
    print(f"Author: {result.payload['author']}")
    print("---")

# 5. 다양한 필터 조합 예시
# must_not: 특정 저자 제외
# should: 여러 조건 중 하나 이상 매칭
complex_filter = Filter(
    must=[
        FieldCondition(key="category", match=MatchValue(value="ML"))
    ],
    must_not=[
        FieldCondition(key="author", match=MatchValue(value="park"))
    ]
)

# 6. 배치 검색 (여러 쿼리 동시 처리)
from qdrant_client.models import SearchRequest

batch_results = client.search_batch(
    collection_name=collection_name,
    requests=[
        SearchRequest(vector=embed_text("벡터 DB"), limit=3),
        SearchRequest(vector=embed_text("딥러닝"), limit=3),
    ]
)