Qdrant推出了免费的多向量搜索课程，旨在帮助开发者深入理解多向量检索。课程分为四个模块，涵盖文本、多模态搜索及优化评估，适合有基础的机器学习和搜索工程师。完成课程并通过认证考试可获得Qdrant证书。
本文介绍了多阶段和多向量的搜索方法，以提高人工智能的性能。通过使用较小的向量进行初步筛选，然后使用更准确的向量对候选结果进行重新评分，可以提高搜索的准确性和效率。同时，使用多个向量来表示复杂信息可以更准确地进行搜索。文章还介绍了ColBERT和Qdrant两种模型，它们通过处理信息和存储向量数据来提高搜索的效果和速度。采用ColBERT和Qdrant的方法可以在信息检索中取得更好的结果。
Qdrant 1.10版本推出了统一查询API、内置逆文档频率（IDF）支持和多向量搜索等重要功能。统一查询API简化了搜索请求，IDF机制提升了文档检索效率，多向量支持增强了语义理解能力。此外，优化了稀疏向量的存储方式，降低了内存占用。
本文介绍了在Qdrant中进行多向量搜索所需的Python库及环境设置，推荐使用uv作为包管理器以提高性能。需要安装qdrant-client和fastembed库，并验证安装成功，随后将进入多向量搜索的基础模块。
完成下面两步后，将自动完成登录并继续当前操作。
