qdrant 支持动态扩展现有集合，无需重建数据库；关键在于避免使用 recreate_collection，改用 create_collection（仅首次调用），并确保新增记录使用唯一 id。
在使用 Qdrant 进行图像相似性搜索时，一个常见误区是误将 recreate_collection() 当作“初始化或更新集合”的通用方法。实际上，recreate_collection 会无条件删除已有同名集合及其全部数据，再新建空集合——这正是您每次运行脚本时旧图像丢失的根本原因。
✅ 正确做法：创建一次，持续追加
您应当将集合创建与数据插入逻辑分离：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 首次运行：调用 create_collection() 创建集合（需确保集合尚不存在）；
- 后续运行：跳过创建步骤，直接调用 upload_records() 或 upsert_points() 追加新向量与元数据；
- 关键保障：所有插入记录的 id 必须全局唯一（例如使用 UUID、哈希文件路径或自增序列），避免因 ID 冲突导致覆盖或报错。
以下是修正后的核心逻辑片段（适配您的 image_to_database 方法）：
# ✅ 替换原来的 recreate_collection 调用
if not qclient.collection_exists(collection_name):
qclient.create_collection(
collection_name=collection_name,
vectors_config=VectorParams(
size=embedding_length,
distance=Distance.COSINE
)
)
print(f"✅ Collection '{collection_name}' created.")
else:
print(f"ℹ️ Collection '{collection_name}' already exists. Skipping creation.")
# ✅ 为每条新记录生成唯一 ID（推荐使用 UUID）
import uuid
records = [
models.Record(
id=str(uuid.uuid4()), # ← 关键：确保每次插入 ID 唯一
payload=payload_dicts[idx],
vector=embeddings[idx].tolist() # 注意：.tolist() 确保为 Python list，非 torch.Tensor
)
for idx in range(len(payload_dicts))
]
# ✅ 使用 upload_records 追加（自动去重 ID，不覆盖已有数据）
qclient.upload_records(
collection_name=collection_name,
records=records
)⚠️ 注意事项与最佳实践
- 向量类型兼容性：确保新增向量维度（size）与原始集合完全一致，否则 upload_records 将报错；
- ID 冲突风险：若重复使用相同整数 ID（如 idx），新记录将覆盖旧记录——务必使用不可预测/全局唯一的 ID；
- 批量性能优化：单次 upload_records 可处理数千条记录；如需高频小批量插入，可改用 upsert_points；
- 生产环境建议：将集合初始化逻辑抽离为独立脚本或增加幂等检查（如 collection_exists），避免部署时误删数据。
通过以上调整，您即可实现图像库的平滑演进：无论何时新增图片，只需运行同一段代码，历史数据毫发无损，真正发挥 Qdrant 作为向量数据库的持久化与扩展能力。
