# Qdrant 推荐检索：同时给喜欢与不喜欢的样本，检查相似结果是否避开反例

已执行真实Qdrant内存正样本与正负样本RecommendQuery对照；使用作者手工向量，未运行图像模型或在线用户推荐。

## 运行

在本目录使用独立虚拟环境并安装requirements.txt；脚本结果写入results。

```sh
python reference/audit.py
python reference/run_sdk.py
```

fixtures是原创输入与故意失败样本；作者真值、离线合成provider和实际SDK记录各自标明，不是模型正确率。需要真实模型/账号/GPU的步骤按正文另行授权运行。

## 1. 准备喜欢与不喜欢的样本

1表示简洁插画，2表示繁复海报；3/4/5为候选。标签和二维向量来自作者，不是图像模型判断。

## 2. 检查反馈冲突

audit.py要求同一ID不能同时在正负反馈中。negative.json故意冲突，应在发送请求前提醒用户修正。

## 3. 建立真实Qdrant本地集合

用同一向量距离和维度导入五点，记录point ID。实际图像应用还需固定真实embedding模型与版本。

## 4. 先只给positive检索

保存RecommendQuery仅正样本的实际排名及分数；推荐API与普通向量query不是同一输入结构。

## 5. 加入negative对照

使用同样candidate和filter加negative=2，保留真实顺序变化。不要预设所有策略都会将文档4移到最后。

## 6. 核对推荐策略的适用范围

average_vector与best_score等策略行为不同；记录当前SDK选择，给反馈样本自身设置合适过滤避免混入推荐展示。

## 7. 交付用户反馈与排序变化

保存实际本地SDK请求和回执，人工标签只解释任务目标，不证明图像理解。本包不运行真实图像编码或在线推荐系统。

## 官方依据

- Qdrant 官方文档或源码：https://qdrant.tech/documentation/concepts/explore/