如何用Microsoft.Extensions.VectorData实现语义搜索？
摘要：本文介绍了Microsoft.Extensions.Vector的基本概念 和 基本使用，结合Embedding Model（如all-minilm） 和 VectorStore（如Qdrant），我们可以快速实现语义搜索，而不仅仅是关键字
大家好，我是Edison。
上周水了一篇Microsoft.Extensions.AI的介绍文章，很多读者反馈想要了解更多。很多时候，除了集成LLM实现聊天对话，还会有很多语义搜索和RAG的使用场景，那么今天就给大家介绍一下如何完成语义搜索。
Microsoft.Extensions.VectorData介绍
语义搜索正在改变应用程序查找和解释数据的方式，它专注于语义关联，而不仅仅是关键字匹配。
Microsoft.Extensions.VectorData是一组 .NET代码库，旨在管理 .NET 应用程序中基于向量的数据。这些库为与向量存储交互提供了一个统一的 C# 抽象层，使开发人员能够有效地处理嵌入并执行向量相似性查询。
更多该代码库的内容请参考：Luis 《Introducting Microsoft.Extensions.VectorData》
在接下来的demo中，我们会使用以下工具：
(1) Qdrant 作为 VectorStore
(2) Ollama 运行 all-minilm 模型 作为 Emedding生成器
ollama pull all-minilm
Qdrant向量搜索引擎
Qdrant是一个向量相似性搜索引擎，它提供了一个生产就绪的服务，拥有便捷的 API来存储、搜索和管理带有额外负载的点（即向量）。它非常适合需要高效相似性搜索的应用程序。我们可以在 Docker 容器中运行 它，这也使它成为对开发人员友好的选择。
容器运行Qdrant：
docker run -p 6333:6333 -p 6334:6334 \
-v $(pwd)/qdrant_storage:/qdrant/storage \
qdrant/qdrant
验证Qdrant运行：访问 server:6333/dashboard
开始DEMO案例
安装NuGet包：
Microsoft.Extensions.AI (preview)
Microsoft.Extensions.Ollama (preivew)
Microsoft.Extensions.AI.OpenAI (preivew)
Microsoft.Extensions.VectorData.Abstractions (preivew)
Microsoft.SemanticKernel.Connectors.Qdrant (preivew)
这里我们假设做一个CloudService的语义搜索，分下面一些步骤来实现它。
Step1. 配置文件appsettings.json：
{
"Embedding": {
"EndPoint": "http://localhost:11434",
"Model": "all-minilm"
},
"Qdrant": {
"Host": "edt-dev-server",
"Port": 6334
}
}
Step2.加载配置：
var config = new ConfigurationBuilder()
.AddJsonFile($"appsettings.json")
.Build();
Step3.初始化Embedding生成器：这里我们使用的是本地的Ollama运行all-minilm模型来做。