[How to] วิธีติดตั้ง Qdrant บน VSCode สำหรับมือใหม่ (Vector Database ที่ใช้งานกับ AI/LLM)

⌨️ Programming
1

บทนำ Qdrant และการใช้งานกับ VSCode

Qdrant คือ Vector Database (ฐานข้อมูลเวกเตอร์) ที่ออกแบบมาสำหรับงาน AI และ Machine Learning โดยเฉพาะ เป็นเครื่องมือสำคัญสำหรับการพัฒนา RAG (Retrieval-Augmented Generation), Semantic Search, และ Similarity Search ในระบบ AI สมัยใหม่ ในบทความนี้เราจะสอนการติดตั้ง Qdrant ผ่าน VSCode แบบ step-by-step สำหรับผู้เริ่มต้น

ข้อกำหนดเบื้องต้น (Prerequisites)

  • Windows 10/11 หรือ macOS
  • VSCode ติดตั้งแล้ว
  • สิทธิ์ Administrator สำหรับการติดตั้ง Docker
  • RAM อย่างน้อย 4GB

ขั้นตอนที่ 1: ติดตั้ง Docker Desktop

ก่อนอื่นต้องติดตั้ง Docker Desktop เพราะ Qdrant ทำงานผ่าน Container:

สำหรับ Windows:

  1. ไปที่ https://www.docker.com/products/docker-desktop/
  2. ดาวน์โหลด Docker Desktop for Windows
  3. รัน installer และทำตามขั้นตอน
  4. รีสตาร์ทเครื่องเมื่อติดตั้งเสร็จ
  5. เปิด Docker Desktop และรอให้ Engine เริ่มทำงาน

สำหรับ macOS:

  1. ดาวน์โหลด Docker Desktop for Mac (Intel หรือ Apple Silicon)
  2. ลาก Docker.app ไปใส่ในโฟลเดอร์ Applications
  3. เปิดแอปและอนุญาตในการเข้าถึงระบบ

ขั้นตอนที่ 2: ตั้งค่า VSCode

  1. เปิด VSCode
  2. ติดตั้ง Extension ที่แนะนำ:
    • Docker (มาจาก Microsoft)
    • Python (สำหรับการใช้งานภายหลัง)
    • REST Client (สำหรับทดสอบ API)

ขั้นตอนที่ 3: ติดตั้ง Qdrant ผ่าน Docker ใน VSCode

  1. เปิด Terminal ใน VSCode (กด Ctrl+** หรือ **Cmd+)

  2. ดึง Qdrant Docker Image:

docker pull qdrant/qdrant
  1. สร้างโฟลเดอร์สำหรับเก็บข้อมูล:
mkdir qdrant_data
cd qdrant_data
  1. รัน Qdrant Container:
docker run -p 6333:6333 -p 6334:6334 -v "$(pwd)/qdrant_storage:/qdrant/storage:z" qdrant/qdrant

คำอธิบาย Command:

  • -p 6333:6333 : เปิดพอร์ต REST API
  • -p 6334:6334 : เปิดพอร์ต gRPC API
  • -v : Mount volume สำหรับเก็บข้อมูลถาวร

ขั้นตอนที่ 4: ตรวจสอบการทำงาน

  1. เปิดเบราว์เซอร์ไปที่ http://localhost:6333/dashboard
  2. ควรเห็น Qdrant Web UI Dashboard
  3. ทดสอบ API ด้วยคำสั่ง:
curl http://localhost:6333/

ขั้นตอนที่ 5: ติดตั้ง Python Client

ในการใช้งานจริง เราจะใช้ Python Client:

pip install qdrant-client

ตัวอย่างการใช้งาน Python

สร้างไฟล์ test_qdrant.py:

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

# เชื่อมต่อกับ Qdrant
client = QdrantClient("localhost", port=6333)

# สร้าง Collection
client.create_collection(
    collection_name="test_collection",
    vectors_config=VectorParams(size=100, distance=Distance.COSINE),
)

# ตรวจสอบ Collection
print(client.get_collections())

การหยุดและเริ่ม Container

หยุด Container:

docker stop <container_id>

เริ่ม Container อีกครั้ง:

docker start <container_id>

ดู Container ที่กำลังทำงาน:

docker ps

ข้อควรระวัง

  1. Memory Usage: Qdrant ใช้ RAM ค่อนข้างเยอะ ควรมี RAM อย่างน้อย 4GB
  2. Data Persistence: ใช้ Volume Mount เพื่อไม่ให้ข้อมูลหายเมื่อ restart
  3. Port Conflict: ตรวจสอบให้แน่ใจว่าพอร์ต 6333 และ 6334 ไม่ได้ถูกใช้งาน
  4. Firewall: อาจต้องอนุญาตพอร์ตใน Windows Firewall

แนวคิดต่อยอด

หลังจากติดตั้งสำเร็จแล้ว คุณสามารถนำ Qdrant ไปใช้งานใน:

  1. Vector Search: ค้นหาเอกสารที่คล้ายกันด้วย Embeddings
  2. RAG Chatbot: สร้าง Chatbot ที่ตอบจากเอกสารของคุณ
  3. Recommendation System: แนะนำสินค้าหรือเนื้อหาที่เกี่ยวข้อง
  4. Semantic Search: ค้นหาด้วยความหมายแทนการค้นหาคำ
  5. Image Similarity: เปรียบเทียบความคล้ายของรูปภาพ

การใช้งานขั้นสูง

สำหรับการใช้งานจริง แนะนำให้ใช้ Docker Compose:

version: '3.8'
services:
  qdrant:
    image: qdrant/qdrant
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - ./qdrant_storage:/qdrant/storage:z

บันทึกเป็น docker-compose.yml แล้วรัน:

docker-compose up -d

สรุป

Qdrant เป็น Vector Database ที่ทรงพลังสำหรับงาน AI และ LLM การติดตั้งผ่าน VSCode และ Docker ทำให้เราสามารถพัฒนาและทดสอบได้อย่างสะดวก เหมาะสำหรับทั้งการเรียนรู้และการพัฒนาโปรเจคจริง

ลิงก์อ้างอิง:

หากมีปัญหาในการติดตั้ง สามารถแสดงความคิดเห็นได้เลยครับ! :rocket: