• MATCH
  • MISMATCH
  • EMPTY
  • HUMAN

Déboguer la précision du RAG avec votre IA et Qdrant

Connectez Qdrant à votre agent pour inspecter les données réelles renvoyées par votre base de données vectorielle. Vérifiez si vos embeddings ciblent les bons éléments ou s'ils font fausse route.

Demandez à l'IA à propos de cette page

Réponse rapide

Comment vérifier si mon RAG fonctionne ?

Votre IA effectue des recherches de similarité dans Qdrant et extrait les payloads associés pour vous montrer les données brutes. Cela vous permet de confirmer si le contexte récupéré correspond réellement à votre requête. Vous verrez précisément où la logique mathématique et le sens divergent.

Résultats du débogage

Types d'incidents détectés.

L'IA classe les résultats de son analyse en quatre catégories.

MATCH

Contexte correct

L'IA trouve exactement les points de données attendus. Le payload correspond parfaitement à votre requête.

MISMATCH

Données non pertinentes

L'IA identifie des points mathématiquement proches mais contextuellement faux. Cela indique un problème d'embedding.

EMPTY

Aucun vecteur pertinent

L'IA ne trouve rien respectant votre seuil de similarité. Cela suggère que votre index manque de données nécessaires.

HUMAN

Révision manuelle requise

L'IA signale les cas où les données existent mais où le calcul échoue. Vous devrez ajuster votre stratégie de chunking.

Le flux

Ce que fait votre IA.

L'IA utilise des opérations Qdrant spécifiques pour extraire et inspecter vos données vectorielles.

  1. Trouver des vecteurs similaires

    L'IA exécute une recherche de similarité pour trouver les correspondances les plus proches de votre requête.

    search

  2. Inspecter les données des points

    L'IA extrait des points spécifiques pour examiner les métadonnées et le payload qui leur sont attachés.

    get_points

  3. Naviguer dans l'index

    L'IA parcourt votre collection pour trouver des segments de données précis.

    scroll

  4. Vérifier le contenu du payload

    L'IA récupère les données brutes de points spécifiques pour vérifier si le texte correspond à votre requête.

    get_points

Essayez

Copiez ces exemples pour commencer.

Utilisez ces prompts pour lancer votre session de débogage.

Points de départ

Remplacez les noms de collections et les chaînes de requête par vos propres données.

Qdrant Connector

Tout est prêt. Choisissez votre client MCP et suivez les instructions de configuration.

Lien du connecteurhttps://edge.vinkius.com/vk_preview_q8RmctE5Ixu7FdouvzysiVBMHUlpWlDBAdtwVmus/mcp

Claude Desktop

Suivez les étapes ci-dessous pour vous connecter en quelques secondes.

  1. 1In Claude Desktop, open Settings → Connectors.
  2. 2Click “Add custom connector” and paste the connector link above as the remote MCP server URL.
  3. 3Click Add and start a new chat — Qdrant capabilities are ready to use.
Configuration · claude_desktop_config.jsonCopier
{
  "mcpServers": {
    "qdrant-mcp": {
      "url": "https://edge.vinkius.com/vk_preview_q8RmctE5Ixu7FdouvzysiVBMHUlpWlDBAdtwVmus/mcp"
    }
  }
}
Copiez dans le chat04

  • Recherche dans la collection 'customer_support' pour des requêtes sur 'refund policy' et montre-moi les payloads.

  • Trouve les 5 points les plus similaires à 'how do I reset my password' dans mon index vectoriel.

  • Parcours la collection 'product_docs' et récupère les payloads des 10 premiers points.

  • Vérifie le payload du point ID 5502 pour voir si le texte correspond au contexte attendu.

  • Claude
  • ChatGPT
  • Cursor
  • VS Code
  • Windsurf
  • Claude Code
  • JetBrains
  • Cline

Commencez ici

Connectez Qdrant une fois, puis interrogez.

Liez simplement votre instance Qdrant. Vos identifiants restent chiffrés et vous pouvez commencer le débogage immédiatement.

Connecter Qdrant à votre IA

FAQ

Fonctionnement de la tâche.

  • 01

    L'IA peut-elle modifier mes embeddings vectoriels ?

    Non. L'IA peut uniquement lire et rechercher les données existantes via les outils fournis.

  • 02

    L'IA peut-elle supprimer des points de ma collection ?

    Non. Ce MCP est conçu exclusivement pour la récupération et l'inspection.

  • 03

    L'IA voit-elle l'intégralité de ma base de données d'un coup ?

    Non. L'IA n'accède qu'aux points ou segments spécifiques qu'elle récupère par recherche ou défilement.

  • 04

    Puis-je l'utiliser pour corriger mon modèle d'embedding ?

    L'IA peut identifier les erreurs en vous montrant les mauvaises données, mais vous devrez mettre à jour le modèle vous-même.

  • 05

    Cela fonctionne-t-il avec n'importe quelle base de données vectorielle ?

    Non, ce MCP spécifique est construit exclusivement pour Qdrant.

  • D'autres questions sur Qdrant ? Voir toutes les capacités du connecteur Qdrant

Connectez Qdrant à Claude, Cursor, ChatGPT et d'autres