Qdrant Vector Search Tool

Visão Geral

A ferramenta Qdrant Vector Search permite adicionar capacidades de busca semântica aos seus agentes CrewAI utilizando o Qdrant, um mecanismo de busca por similaridade vetorial. Com essa ferramenta, seus agentes podem pesquisar em documentos armazenados em uma coleção Qdrant usando similaridade semântica.

Instalação

Instale os pacotes necessários:

uv add qdrant-client

Uso Básico

Veja um exemplo mínimo de como utilizar a ferramenta:

from crewai import Agent
from crewai_tools import QdrantVectorSearchTool, QdrantConfig

# Inicialize a ferramenta com QdrantConfig
qdrant_tool = QdrantVectorSearchTool(
    qdrant_config=QdrantConfig(
        qdrant_url="your_qdrant_url",
        qdrant_api_key="your_qdrant_api_key",
        collection_name="your_collection"
    )
)

# Crie um agente que utiliza a ferramenta
agent = Agent(
    role="Research Assistant",
    goal="Find relevant information in documents",
    tools=[qdrant_tool]
)

# A ferramenta usará automaticamente embeddings da OpenAI
# e retornará os 3 resultados mais relevantes com pontuação > 0.35

Exemplo Completo e Funcional

Veja um exemplo completo mostrando como:

Extrair texto de um PDF
Gerar embeddings usando OpenAI
Armazenar no Qdrant
Criar um fluxo de trabalho RAG agente CrewAI para busca semântica

import os
import uuid
import pdfplumber
from openai import OpenAI
from dotenv import load_dotenv
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import QdrantVectorSearchTool
from qdrant_client import QdrantClient
from qdrant_client.models import PointStruct, Distance, VectorParams

# Carregar variáveis de ambiente
load_dotenv()

# Inicializar cliente OpenAI
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# Extrair texto do PDF
def extract_text_from_pdf(pdf_path):
    text = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_text = page.extract_text()
            if page_text:
                text.append(page_text.strip())
    return text

# Gerar embeddings da OpenAI
def get_openai_embedding(text):
    response = client.embeddings.create(
        input=text,
        model="text-embedding-3-large"
    )
    return response.data[0].embedding

# Armazenar texto e embeddings no Qdrant
def load_pdf_to_qdrant(pdf_path, qdrant, collection_name):
    # Extrair texto do PDF
    text_chunks = extract_text_from_pdf(pdf_path)

    # Criar coleção no Qdrant
    if qdrant.collection_exists(collection_name):
        qdrant.delete_collection(collection_name)
    qdrant.create_collection(
        collection_name=collection_name,
        vectors_config=VectorParams(size=3072, distance=Distance.COSINE)
    )

    # Armazenar embeddings
    points = []
    for chunk in text_chunks:
        embedding = get_openai_embedding(chunk)
        points.append(PointStruct(
            id=str(uuid.uuid4()),
            vector=embedding,
            payload={"text": chunk}
        ))
    qdrant.upsert(collection_name=collection_name, points=points)

# Inicializar cliente Qdrant e carregar dados
qdrant = QdrantClient(
    url=os.getenv("QDRANT_URL"),
    api_key=os.getenv("QDRANT_API_KEY")
)
collection_name = "example_collection"
pdf_path = "path/to/your/document.pdf"
load_pdf_to_qdrant(pdf_path, qdrant, collection_name)

# Inicializar ferramenta de busca Qdrant
from crewai_tools import QdrantConfig

qdrant_tool = QdrantVectorSearchTool(
    qdrant_config=QdrantConfig(
        qdrant_url=os.getenv("QDRANT_URL"),
        qdrant_api_key=os.getenv("QDRANT_API_KEY"),
        collection_name=collection_name,
        limit=3,
        score_threshold=0.35
    )
)

# Criar agentes CrewAI
search_agent = Agent(
    role="Senior Semantic Search Agent",
    goal="Find and analyze documents based on semantic search",
    backstory="""You are an expert research assistant who can find relevant
    information using semantic search in a Qdrant database.""",
    tools=[qdrant_tool],
    verbose=True
)

answer_agent = Agent(
    role="Senior Answer Assistant",
    goal="Generate answers to questions based on the context provided",
    backstory="""You are an expert answer assistant who can generate
    answers to questions based on the context provided.""",
    tools=[qdrant_tool],
    verbose=True
)

# Definir tarefas
search_task = Task(
    description="""Search for relevant documents about the {query}.
    Your final answer should include:
    - The relevant information found
    - The similarity scores of the results
    - The metadata of the relevant documents""",
    agent=search_agent
)

answer_task = Task(
    description="""Given the context and metadata of relevant documents,
    generate a final answer based on the context.""",
    agent=answer_agent
)

# Executar fluxo CrewAI
crew = Crew(
    agents=[search_agent, answer_agent],
    tasks=[search_task, answer_task],
    process=Process.sequential,
    verbose=True
)

result = crew.kickoff(
    inputs={"query": "What is the role of X in the document?"}
)
print(result)

Parâmetros da Ferramenta

Parâmetros Obrigatórios

qdrant_config (QdrantConfig): Objeto de configuração contendo todas as configurações do Qdrant

Parâmetros do QdrantConfig

qdrant_url (str): URL do seu servidor Qdrant
qdrant_api_key (str, opcional): Chave de API para autenticação com o Qdrant
collection_name (str): Nome da coleção Qdrant a ser pesquisada
limit (int): Número máximo de resultados a serem retornados (padrão: 3)
score_threshold (float): Limite mínimo de similaridade (padrão: 0.35)
filter (Any, opcional): Instância de Filter do Qdrant para filtragem avançada (padrão: None)

Parâmetros Opcionais da Ferramenta

custom_embedding_fn (Callable[[str], list[float]]): Função personalizada para vetorização de textos
qdrant_package (str): Caminho base do pacote Qdrant (padrão: “qdrant_client”)
client (Any): Cliente Qdrant pré-inicializado (opcional)

Filtragem Avançada

A ferramenta QdrantVectorSearchTool oferece recursos poderosos de filtragem para refinar os resultados da busca:

Filtragem Dinâmica

Use os parâmetros filter_by e filter_value na sua busca para filtrar resultados dinamicamente:

# O agente usará esses parâmetros ao chamar a ferramenta
# O schema da ferramenta aceita filter_by e filter_value
# Exemplo: busca com filtro de categoria
# Os resultados serão filtrados onde categoria == "tecnologia"

Filtros Pré-definidos com QdrantConfig

Para filtragens complexas, use instâncias de Filter do Qdrant na sua configuração:

from qdrant_client.http import models as qmodels
from crewai_tools import QdrantVectorSearchTool, QdrantConfig

# Criar um filtro para condições específicas
preset_filter = qmodels.Filter(
    must=[
        qmodels.FieldCondition(
            key="categoria",
            match=qmodels.MatchValue(value="pesquisa")
        ),
        qmodels.FieldCondition(
            key="ano",
            match=qmodels.MatchValue(value=2024)
        )
    ]
)

# Inicializar ferramenta com filtro pré-definido
qdrant_tool = QdrantVectorSearchTool(
    qdrant_config=QdrantConfig(
        qdrant_url="your_url",
        qdrant_api_key="your_key",
        collection_name="your_collection",
        filter=preset_filter  # Filtro pré-definido aplicado a todas as buscas
    )
)

Combinando Filtros

A ferramenta combina automaticamente os filtros pré-definidos do QdrantConfig com os filtros dinâmicos de filter_by e filter_value:

# Se QdrantConfig tem um filtro pré-definido para categoria="pesquisa"
# E a busca usa filter_by="ano", filter_value=2024
# Ambos os filtros serão combinados (lógica AND)

Parâmetros de Busca

A ferramenta aceita estes parâmetros em seu schema:

query (str): Consulta de busca para encontrar documentos similares
filter_by (str, opcional): Campo de metadado para filtrar
filter_value (Any, opcional): Valor para filtrar

Formato de Retorno

A ferramenta retorna resultados no formato JSON:

[
  {
    "metadata": {
      // Todos os metadados armazenados junto com o documento
    },
    "context": "O conteúdo textual real do documento",
    "distance": 0.95  // Pontuação de similaridade
  }
]

Embedding Padrão

Por padrão, a ferramenta utiliza o modelo text-embedding-3-large da OpenAI para vetorização. Isso requer:

Chave de API da OpenAI definida na variável de ambiente: OPENAI_API_KEY

Embeddings Personalizados

Em vez de utilizar o modelo padrão de embeddings, você pode utilizar sua própria função de embeddings nos casos em que:

Deseja usar um modelo de embeddings diferente (ex: Cohere, HuggingFace, modelos Ollama)
Precisa reduzir custos utilizando modelos de código aberto
Tem requisitos específicos quanto à dimensão dos vetores ou à qualidade dos embeddings
Deseja utilizar embeddings específicos para determinado domínio (ex: textos médicos ou jurídicos)

Veja um exemplo utilizando um modelo HuggingFace:

from transformers import AutoTokenizer, AutoModel
import torch

# Carregar modelo e tokenizer
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

def custom_embeddings(text: str) -> list[float]:
    # Tokenizar e obter saídas do modelo
    inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
    outputs = model(**inputs)

    # Usar mean pooling para obter o embedding do texto
    embeddings = outputs.last_hidden_state.mean(dim=1)

    # Converter para lista de floats e retornar
    return embeddings[0].tolist()

# Usar embeddings personalizados com a ferramenta
from crewai_tools import QdrantConfig

tool = QdrantVectorSearchTool(
    qdrant_config=QdrantConfig(
        qdrant_url="your_url",
        qdrant_api_key="your_key",
        collection_name="your_collection"
    ),
    custom_embedding_fn=custom_embeddings  # Passe sua função personalizada
)

Tratamento de Erros

A ferramenta trata os seguintes erros específicos:

Lança ImportError se qdrant-client não estiver instalado (com opção de instalar automaticamente)
Lança ValueError se QDRANT_URL não estiver definido
Solicita instalação de qdrant-client se estiver ausente utilizando uv add qdrant-client

Variáveis de Ambiente

Variáveis de ambiente obrigatórias:

export QDRANT_URL="your_qdrant_url"  # Se não for informado no construtor
export QDRANT_API_KEY="your_api_key"  # Se não for informado no construtor
export OPENAI_API_KEY="your_openai_key"  # Se estiver usando embeddings padrão

Começando

Guias

Conceitos-Chave

Integração MCP

Ferramentas

Observabilidade

Aprenda

Telemetria

Qdrant Vector Search Tool

Visão Geral

Instalação

Uso Básico

Exemplo Completo e Funcional

Parâmetros da Ferramenta

Parâmetros Obrigatórios

Parâmetros do QdrantConfig

Parâmetros Opcionais da Ferramenta

Filtragem Avançada

Filtragem Dinâmica

Filtros Pré-definidos com QdrantConfig

Combinando Filtros

Parâmetros de Busca

Formato de Retorno

Embedding Padrão

Embeddings Personalizados

Tratamento de Erros

Variáveis de Ambiente

Começando

Guias

Conceitos-Chave

Integração MCP

Ferramentas

Observabilidade

Aprenda

Telemetria

Documentation Index

​Visão Geral

​Instalação

​Uso Básico

​Exemplo Completo e Funcional

​Parâmetros da Ferramenta

​Parâmetros Obrigatórios

​Parâmetros do QdrantConfig

​Parâmetros Opcionais da Ferramenta

​Filtragem Avançada

​Filtragem Dinâmica

​Filtros Pré-definidos com QdrantConfig

​Combinando Filtros

​Parâmetros de Busca

​Formato de Retorno

​Embedding Padrão

​Embeddings Personalizados

​Tratamento de Erros

​Variáveis de Ambiente

Visão Geral

Instalação

Uso Básico

Exemplo Completo e Funcional

Parâmetros da Ferramenta

Parâmetros Obrigatórios

Parâmetros do QdrantConfig

Parâmetros Opcionais da Ferramenta

Filtragem Avançada

Filtragem Dinâmica

Filtros Pré-definidos com QdrantConfig

Combinando Filtros

Parâmetros de Busca

Formato de Retorno

Embedding Padrão

Embeddings Personalizados

Tratamento de Erros

Variáveis de Ambiente