- Суть
- Инженерия векторного поиска на базе Qdrant: от настройки контейнера до backend-разработки на Python
- На выходе
- Научиться проектировать коллекции и настраивать параметры HNSW; Управлять хранилищем через библиотеку qdrant-client; Разработать сервис VectorCatalog на стеке FastAPI, Qdrant, PostgreSQL и Docker Compose
- Навыки
- Развёртывание в Docker · Использование HTTP API · CRUD для точек · Фильтрация по payload · Гибридный поиск · Квантование · Настройка Docker Compose
- Кому подойдёт
- Python- и backend-инженеры; Специалисты, работавшие с Qdrant по базовым инструкциям; Команды, создающие SaaS-продукты или корпоративные базы знаний; Разработчики, знакомые с архитектурами RAG и агентами
- Знать заранее
- Уверенное знание Python 3.11+; Базовые навыки работы с терминалом и Docker; Понимание протокола HTTP и формата JSON; Понимание концепции эмбеддингов