Seminar Qdrant – Kompaktseminar von der Vektorsuche zum Produktivprototyp

Das dreitägige Kompaktformat vermittelt den kürzesten belastbaren Weg von der fachlichen Suchidee zu einem lauffähigen Prototyp. Grundlagen werden gezielt eingeordnet und sofort an einem durchgängigen Datensatz praktisch angewendet.

Der Schwerpunkt liegt auf den Entscheidungen, die ein Projekt früh richtig treffen muss: Embeddingvertrag, Collection-Schema, Payloads, Filter, Ingestion, Query, Hybrid Retrieval, Kontextbildung, Qualitätsprüfung sowie eine minimale Sicherheits- und Betriebsbasis.

Inhaltsverzeichnis

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik

Zielsetzung

• Vektorsuche und Qdrant-Komponenten sicher einordnen
• Ein tragfähiges Collection-, Payload- und Indexschema erstellen
• Daten über einen Client importieren und mit Filtern abfragen
• Dense und Hybrid Retrieval für einen RAG-Prototyp verbinden
• Qualität, Zugriffsschutz und nächste Produktionsschritte dokumentieren

Zielgruppe

Interdisziplinäre Projektteams aus Entwicklung, Data Engineering, Machine Learning, Fachkonzeption, Architektur und technischem Projektmanagement.

Voraussetzungen

Programmiergrundkenntnisse, vorzugsweise Python, sowie Verständnis von HTTP und JSON. Vorkenntnisse zu Vektordatenbanken sind nicht erforderlich.

Seminarinhalte

Tag 1: Grundlagen, Schema und erste Suche

1. Schritt 1: Fachfall und Suchqualität festlegen

   Dokumente, Anfragen, relevante Treffer, Filter, Aktualität und Latenzziel werden in einen kleinen, prüfbaren Anwendungsfall überführt.

2. Schritt 2: Vektoren und Distanz verstehen

   Embedding, Dimension, Distanzmetrik, Score und Grenzen semantischer Ähnlichkeit werden anhand einfacher Beispiele eingeordnet.

3. Schritt 3: Collection und Payload modellieren

   Vektorfeld, IDs, Metadaten, Filterfelder, Payload-Indizes und ein eindeutiger Modellvertrag werden angelegt.

4. Schritt 4: Client und Ingestion aufbauen

   Verbindung, Collection-Erstellung, Batch-Upsert, stabile IDs, Fehlerliste und eine erste Datenprüfung werden umgesetzt.

5. Schritt 5: Semantische Suche prüfen

   Query, Top-K, Score-Grenze, Filter, Payload-Projektion und manuelle Relevanzprüfung bilden den ersten Abnahmepunkt.

Tag 2: Embeddings, Query API und Hybrid Search

1. Schritt 6: Embedding-Pipeline festlegen

   Dokument- und Querypfad, Modell, Version, Normalisierung, Batchbildung und Aktualisierungsstrategie werden dokumentiert.

2. Schritt 7: Komplexere Filter einsetzen

   Boolesche Bedingungen, Bereiche, Volltext, tenantbezogene Einschränkungen und erforderliche Indizes werden praktisch ergänzt.

3. Schritt 8: Dense und Sparse Retrieval verbinden

   Semantische und lexikalische Kandidaten werden über Prefetch und Fusion zu einer Hybridabfrage kombiniert.

4. Schritt 9: Fachliches Scoring ergänzen

   Aktualität oder andere Payloadmerkmale werden über eine transparente Formula Query kontrolliert gewichtet.

5. Schritt 10: Varianten vergleichen

   Dense, Hybrid und fachlich gewichtete Suche werden auf einem kleinen Goldset nach Trefferqualität und Latenz bewertet.

Tag 3: RAG-Prototyp, Sicherheit und Übergabe

1. Schritt 11: Kontext für RAG zusammenstellen

   Chunk-Auswahl, Deduplizierung, Tokenbudget, Quellenmetadaten und Reihenfolge werden zu einem reproduzierbaren Kontextpaket verbunden.

2. Schritt 12: Einfaches Reranking ergänzen

   Ein begrenztes Kandidatenset wird mit einer zweiten Bewertungsstufe neu geordnet und gegen die Basisvariante getestet.

3. Schritt 13: Retrieval-API bereitstellen

   Ingestion, Query, Filter, Ergebnisobjekt, Kontextpaket, Fehlerbehandlung und Protokollierung werden in einen kleinen Dienst gekapselt.

4. Schritt 14: Sicherheits- und Betriebsbasis setzen

   API-Schlüssel, TLS-Konzept, Netzgrenze, Tenant-Filter, Persistenz, Health Check, Sicherung und zentrale Metriken werden als Mindeststandard festgelegt.

5. Schritt 15: Prototyp und Ausbauplan abnehmen

   Funktion, Qualität, Latenz, bekannte Grenzen, Datenaktualisierung, Skalierungsbedarf und nächste Vertiefungsseminare werden dokumentiert.

Praxisübungen

• Einen kleinen Suchkorpus modellieren, importieren und semantisch durchsuchen
• Dense- und Sparse-Ergebnisse per Fusion zu einer Hybridabfrage verbinden
• Ein RAG-Kontextpaket mit Quellenmetadaten und Rechtefilter erzeugen
• Einen lauffähigen Retrieval-Service mit Prüfprotokoll und Ausbauplan bereitstellen

Methodik

Kurze Fachimpulse werden unmittelbar mit Demonstrationen, angeleiteten Laboraufgaben, Mess- und Kontrollpunkten sowie dokumentierten Praxisübungen verbunden. Jeder Arbeitsschritt endet mit einer technischen Prüfung, einer Einordnung typischer Fehlerbilder und einem wiederverwendbaren Ergebnis für den eigenen Projekt- oder Betriebskontext.