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 «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 нужено 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.
VectorCatalog — веб-интерфейс финального проекта
Каталог
Карточка и рекомендации
Для кого этот курс
— 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
Наши преподаватели
Как проходит обучение
- Конспекты — теория с кодом; сначала REST (
curl, Dashboard), затем Python-клиент - Задачи на программирование — автопроверка на Stepik, моки Qdrant в шаблонах
- Тесты — проверка понимания терминов и API
- VectorCatalog — модули 6.x: от окружения до production Compose
- Комментарии к урокам — автор отвечает на вопросы
Программа курса
Сертификат
Входит в 1 программу
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