创建Qdrant向量库遇维度不匹配错误，如何正确配置VectorParams？

错误原因 #

你遇到的ValueError: could not broadcast input array from shape (1536,) into shape (2000,)是因为Qdrant集合配置的向量维度（2000）和OpenAI嵌入模型输出的向量维度（1536）不匹配。

OpenAI的text-embedding-ada-002模型生成的向量固定为1536维，这是模型的固有属性，不需要计算，直接使用官方指定的维度值即可。

正确配置方式 #

方式1：硬编码正确维度 #

直接将VectorParams的size参数改为1536，距离度量可根据需求选择（Distance.EUCLID或文本场景更常用的Distance.COSINE）：

qdrantClient.create_collection(
    collection_name=collection_name,
    vectors_config=VectorParams(size=1536, distance=Distance.EUCLID),
)

方式2：动态获取向量维度（推荐） #

如果后续可能更换嵌入模型，为避免手动修改维度，可通过嵌入模型的embed_query方法动态获取向量维度，提升代码灵活性：

# 获取模型输出的向量维度
test_embedding = embeddings.embed_query("test")
vector_dim = len(test_embedding)

qdrantClient.create_collection(
    collection_name=collection_name,
    vectors_config=VectorParams(size=vector_dim, distance=Distance.EUCLID),
)

修改后的完整代码 #

import os
from typing import List

from langchain.docstore.document import Document
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Qdrant, VectorStore
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

def load_documents(documents: List[Document]) -> VectorStore:
    """Create a vectorstore from documents."""
    collection_name = "my_collection"
    vectorstore_path = "data/vectorstore/qdrant"
    embeddings = OpenAIEmbeddings(
        model="text-embedding-ada-002",
        openai_api_key=os.getenv("OPENAI_API_KEY"),
    )
    qdrantClient = QdrantClient(path=vectorstore_path, prefer_grpc=True)
    
    # 动态获取向量维度
    test_embedding = embeddings.embed_query("test")
    vector_dim = len(test_embedding)
    
    qdrantClient.create_collection(
        collection_name=collection_name,
        vectors_config=VectorParams(size=vector_dim, distance=Distance.EUCLID),
    )
    vectorstore = Qdrant(
        client=qdrantClient,
        collection_name=collection_name,
        embeddings=embeddings,
    )
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200,
    )

    sub_docs = text_splitter.split_documents(documents)
    vectorstore.add_documents(sub_docs)

    return vectorstore

内容的提问来源于stack exchange，提问作者Evan P