Skip to content
🚀 EDDI 6.5.0

19개 LLM 프로바이더, 사이트를 크롤링하고 파일을 읽는 지식 베이스, 호환되는 에이전트 버전을 따라가는 대화새로운 기능

매니지드 클라우드 시작하기
모든 통합
데이터 및 RAGstoreType: qdrant

Qdrant

EDDI 지식 베이스의 벡터 스토어로 사용하는 Qdrant입니다. 확장 여지가 있는 벡터 전용 데이터베이스입니다.

제공되는 기능

  • 지식 베이스 뒤에 두는 전용 벡터 데이터베이스
  • 선택 사항인 API 키와 TLS
  • 다른 모든 스토어와 동일한 에이전트 설정

EDDI에서의 동작 방식

  1. Qdrant 서버를 실행하고 호스트와 gRPC 포트(EDDI 기본값은 6334)를 메모해 둡니다.
  2. storeType: "qdrant"와 collectionName을 지정해 RagConfiguration을 만듭니다.
  3. eddi://ai.labs.rag 워크플로 단계로 연결합니다.
  4. LLM 태스크에서 이름으로 선택하고 문서를 수집합니다.

설정

EDDI 문서를 기준으로 합니다. your-agent-id 같은 플레이스홀더는 직접 바꿔서 사용하세요.

RagConfiguration (POST /ragstore/rags)Qdrant는 호스트, 포트, 컬렉션 이름을 받습니다. apiKey와 useTls는 선택 사항입니다.
{
  "name": "product-docs",
  "embeddingProvider": "openai",
  "embeddingParameters": {
    "model": "text-embedding-3-small",
    "apiKey": "${vault:openai-key}"
  },
  "storeType": "qdrant",
  "storeParameters": {
    "host": "localhost",
    "port": 6334,
    "collectionName": "product-docs",
    "useTls": false
  },
  "chunkStrategy": "recursive",
  "chunkSize": 512,
  "chunkOverlap": 64,
  "maxResults": 5,
  "minScore": 0.6
}
workflow step + langchain.json task지식 베이스를 에이전트에 연결하고 태스크에서 사용합니다.
// 1. workflow step: binds the knowledge base to the agent
{ "type": "eddi://ai.labs.rag",
  "extensions": {},
  "config": { "uri": "eddi://ai.labs.rag/ragstore/rags/{ragId}?version=1" } }

// 2. LLM task: selects it by the "name" of the RagConfiguration
{ "tasks": [{
    "actions": ["*"],
    "type": "openai",
    "knowledgeBases": [{ "name": "product-docs", "maxResults": 5, "minScore": 0.7 }],
    "parameters": { "systemMessage": "You are a helpful assistant." }
} ] }

거버넌스

  • Qdrant에 API 키가 필요하다면 볼트에서 참조하세요.
  • 임베딩 호출은 문서 텍스트를 사용자가 설정한 임베딩 공급자에게 보냅니다.
  • 공개된 벡터 스토어는 코퍼스의 사본이 노출된 것과 같습니다. 공개 인터페이스에서 분리해 두세요.

알아 두면 좋은 점

  • 문서 청크 교체는 Qdrant에서도 동작할 것으로 예상되지만 테스트로 검증되지 않았습니다. 이 기능이 없으면 다시 수집한 문서에 오래된 청크가 남을 수 있습니다.

관련 통합

이 페이지의 설정과 동작은 2026-10-14에 확인한 EDDI 문서를 따릅니다. 필드 이름과 기본값은 릴리스마다 달라질 수 있으므로, 사용 중인 버전의 문서에서 확인하세요.