Qdrant: полный курс [Stepik] [Станислав Попов]

Практический курс по Qdrant для Python-разработчиков: embeddings, REST API, Python-клиент, гибридный поиск, multitenancy и production-деплой. Финал — VectorCatalog (FastAPI + Qdrant + Docker Compose). Только инженерия векторного поиска, применимая в проде. Чему вы научитесь: Разворачивать Qdrant в Docker и работать через REST API и qdrant-client Проектировать коллекцию до загрузки данных: метрика, payload, индексы, named vectors Применять CRUD, search, scroll, count и фильтры по payload в Python Собирать гибридный поиск (dense + sparse, RRF) и рекомендации через Recommendation API Настраивать multitenancy (tenant_id) и zero-downtime reindex через алиасы коллекций Эксплуатировать Qdrant в production: snapshots, мониторинг, API key, Docker Compose О курсе: Короткие туториалы «Как поднять Qdrant за вечер» хорошо знакомят с API. В production же чаще всплывают другие вопросы: почему выросла задержка поиска, как разделить данные клиентов в одной коллекции и как переиндексировать каталог без остановки сервиса. Здесь последовательный путь от первого контейнера до осознанной эксплуатации Qdrant. Курс для Python-разработчиков, которым ножно понимание, как устроено векторное хранилище и как его встроить в backend. Главный результат вы проектируете коллекции, фильтры, а не копируете сниппеты вслепую. Финал рабочий проет VectorCatalog: витрина, гибридный поиск, рекомендации, два tenant и blue-green reindex. Маршрут курса: Фундамент и REST API Docker, Dashboard, коллекции, точки, первый поиск Python-клиент CRUD, query_points, scroll, payload-фильтры Продвинутые паттерны hybrid (dense + sparse), Recommendation API, multitenancy, алиасы Production Compose, мониторинг, snapshots, API key VectorCatalog пошаговая сборка capstone Закрепление глоссарий, тесты и задачи по всему материалу Qdrant здесь самостоятельный инженерный навык: поиск, рекомендации, изоляция tenant, миграции индекса. Для кого этот курс: Python/backend-разработчики, которым нужен семантический или гибридный поиск в продукте Инженеры, которые подключили Qdrant «по гайду», но не разобрались с фильтрами, индексами payload и multitenancy Команды, проектирующие SaaS или базу знаний с изоляцией данных по клиентам Те, кто готовит свой пет-проект, но не знает как обращаться с векторной базой Разработчики которые уже знают, что такое RAG/агенты и хотят разобраться с векторной БД Начальные требования: Python 3.11+ функции, dict/list, базовая работа с модулями Желательно иметь базу по вопросам RAG, LLM (Я бы порекомендовал проходить курс после модуля 4 курса по LLM) Docker запуск контейнера, docker compose up HTTP и JSON GET/POST, чтение тела ответа Понимание, что вектор это массив чисел фиксированной длины (что такое embeddings и как их создавать) Не требуется: PyTorch, training моделей, линейная алгебра, опыт ML-инженера Что вы получаете: Системное понимание Qdrant: от embeddings до production-паттернов Проект VectorCatalog для портфолио (FastAPI + Qdrant + PostgreSQL + Docker) Готовые приёмы: hybrid search, multitenancy, alias swap, backup через snapshot Глоссарий курса — быстрый повтор терминов перед собеседованием или code review База для RAG и AI-backend — без «магии», с контролем над индексом и фильтрами