Questão 1
Não respondida
~/questoes/agentes-de-ia
O Qdrant oferece múltiplas métricas de similaridade para medir a proximidade entre vetores: cosine, euclidiana e dot product. Cada métrica tem características distintas e é adequada para diferentes tipos de dados e casos de uso. Escolher a métrica correta durante a configuração inicial da coleção é essencial para obter resultados precisos em buscas semânticas.
A alternativa D está correta porque o Qdrant realmente disponibiliza cosine, euclidiana e dot product como opções configuráveis de métrica de similaridade. Isso dá flexibilidade ao desenvolvedor para selecionar qual delas melhor se adequa ao seu projeto específico, sem estar preso a uma única opção.
Incorreta. O Qdrant não obriga o uso de Manhattan distance como métrica padrão. Na verdade, Manhattan distance não está entre as opções nativas de similaridade oferecidas pelo Qdrant para configuração de coleções.
Incorreta. Embora euclidiana seja uma opção válida no Qdrant, não é a única métrica disponível. O Qdrant oferece outras escolhas além da distância euclidiana para melhor adaptar-se a diferentes necessidades de busca semântica.
Incorreta. Similaridade de cosseno é eficiente, mas não é a única opção do Qdrant nem é obrigatória. O banco vetorial propositalmente oferece alternativas porque cada métrica tem vantagens distintas dependendo do contexto.
Correta. O Qdrant permite escolher entre cosine (similaridade de cosseno), euclidiana (distância euclidiana) e dot product (produto escalar) como métricas de similaridade. Essa flexibilidade é um diferencial importante na configuração de coleções vetoriais.