UPDATE

rag/vector_store.py

@@ -102,7 +102,7 @@ class QdrantVectorStore:
     ) -> list[dict]:
         """
         جستجوی شباهت بر اساس query vector.
-        از query_points استفاده می‌کند (qdrant-client >= 2.0).
+        روی نسخه‌های جدید از query_points و روی نسخه‌های قدیمی‌تر از search استفاده می‌کند.
         sensor_uuid: اجباری — فقط chunks مربوط به این سنسور یا __global__ برگردانده می‌شود.
         kb_name: اختیاری — فیلتر بر اساس پایگاه دانش (chat/irrigation/fertilization).
                  اگر مشخص شود، فقط chunks همان KB و __all__ برگردانده می‌شود.
@@ -141,14 +141,23 @@ class QdrantVectorStore:
         if must_conditions:
             query_filter = qmodels.Filter(must=must_conditions)
 
-        response = self.client.query_points(
-            collection_name=self.qdrant.collection_name,
-            query=query_vector,
-            limit=limit,
-            score_threshold=score_threshold,
-            query_filter=query_filter,
-        )
-        points = getattr(response, "points", []) or []
+        if hasattr(self.client, "query_points"):
+            response = self.client.query_points(
+                collection_name=self.qdrant.collection_name,
+                query=query_vector,
+                limit=limit,
+                score_threshold=score_threshold,
+                query_filter=query_filter,
+            )
+            points = getattr(response, "points", []) or []
+        else:
+            points = self.client.search(
+                collection_name=self.qdrant.collection_name,
+                query_vector=query_vector,
+                limit=limit,
+                score_threshold=score_threshold,
+                query_filter=query_filter,
+            )
 
         return [
             {