如何在LangChain中初始化已有Qdrant向量库（无需文档与嵌入）

开发者阿泽

2026-7-15

无需docs和embeddings初始化LangChain的Qdrant对象

要在LangChain中接入已有的Qdrant向量数据库，确实可以像直接使用Qdrant Python客户端那样，仅通过连接信息初始化Qdrant对象，无需传入docs和embeddings。核心思路是先独立初始化QdrantClient，再将其传入LangChain的Qdrant类构造函数中，同时省略docs和embeddings参数。

完整代码示例

import qdrant_client
from langchain.vectorstores import Qdrant

# 初始化Qdrant客户端（和原生客户端用法完全一致）
client = qdrant_client.QdrantClient(
    host="localhost",  # 替换为你的Qdrant主机地址
    port=6333,         # 本地默认端口，Qdrant Cloud可改用url参数
    # api_key="YOUR_API_KEY"  # Qdrant Cloud需要添加此参数
)

# 初始化LangChain的Qdrant向量存储对象，仅需客户端和集合名
qdrant_store = Qdrant(
    client=client,
    collection_name="your_existing_collection"  # 替换为你的已有集合名称
)

注意事项

如果后续需要调用LangChain内置的similarity_search、similarity_search_with_score等方法（这些方法需要将查询文本转换为向量），则必须传入与集合中向量匹配的embeddings模型。此时只需在初始化Qdrant对象时添加embeddings参数即可：
```
from langchain.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2")
qdrant_store = Qdrant(
    client=client,
    collection_name="your_existing_collection",
    embeddings=embeddings
)
```
如果仅需连接已有集合，执行自定义向量查询或通过qdrant_store.client直接调用Qdrant原生客户端的方法（如get_collection、scroll等），则完全无需传入embeddings。