Was ist Qdrant?
Qdrant ist eine Vektordatenbank und Ähnlichkeitssuchmaschine, die hochdimensionale Embedding-Vektoren zusammen mit strukturierten JSON-Metadaten, genannt "Payload", speichert und beides gleichzeitig durchsuchbar macht. Die eigene GitHub-Beschreibung positioniert Qdrant als "vector similarity search engine and vector database" mit REST- und gRPC-API, entwickelt für das Speichern, Durchsuchen und Verwalten von Vektoren zusammen mit Payload-Daten für semantisches Matching, facettierte Suche und andere Anwendungen, die Embeddings vergleichen müssen.
- Kernfunktion: eine Datenbank, entwickelt zum Speichern von Embedding-Vektoren plus beliebiger JSON-Payload-Metadaten und zum Ausführen schneller approximativer Nearest-Neighbor-Suche darüber, gefiltert nach diesen Metadaten
- Implementierung: geschrieben in Rust, laut dem eigenen Repository und der Dokumentation des Projekts
- Zugriffsmethoden: eine REST-API, eine gRPC-API sowie offizielle Client-Bibliotheken für Python, JavaScript/TypeScript, Go, Rust, .NET/C# und Java (Community-Clients existieren für Kotlin und PHP)
- Für diese Zielgruppe relevante Schnittstellen: Kommandozeilennutzung via
curl/Client-SDKs, Bibliotheksnutzung eingebettet in eine Anwendung (über jeden der offiziellen Clients) und ein eingebautes Web-Dashboard zum Durchsuchen von Collections ohne Code zu schreiben - Deployment-Modell: vollständig selbst hostbar unter der Apache License 2.0, mit Qdrant Cloud als separatem, optionalem verwaltetem Angebot auf AWS, GCP oder Azure für Teams, die keinen eigenen Cluster betreiben wollen
- Kanonisches Repository: github.com/qdrant/qdrant — der Quellcode, Issue-Tracker und die Release-Historie des Projekts
Qdrants Projektgeschichte
Qdrant wird von Qdrant entwickelt, dem Unternehmen hinter dem Open-Source-Projekt und der Website qdrant.tech, und der Code ist seit mehreren Jahren öffentlich auf GitHub verfügbar und ist Stand September 2026 auf rund 34.655 Sterne und eine aktive Basis von Mitwirkenden angewachsen. Das Projekt hat sich von einer Single-Node-Vektorsuchmaschine zu einer Plattform entwickelt, die auch verteiltes Deployment (Sharding und Replikation), Vektor-Quantisierung für reduzierten Speicherverbrauch, hybride dichte/spärliche Suche und eine leichtgewichtigere, in-process laufende Variante namens Qdrant Edge unterstützt.
- Das GitHub-Repository (github.com/qdrant/qdrant) ist die kanonische, aktiv gepflegte Heimat für den Quellcode und die Release-Notizen des Projekts
- Qdrant Cloud, ein separates verwaltetes Hosting-Produkt, wurde zusammen mit der Open-Source-Engine als kommerzielles Angebot des Unternehmens eingeführt
- Qdrant Edge, auf qdrant.tech beschrieben als leichtgewichtige, in-process laufende Variante der Datenbank für ressourcenbeschränkte Umgebungen, ist eine neuere Ergänzung der Produktlinie und befand sich zum Zeitpunkt dieser Review in der Beta-Phase
Was können Sie mit Qdrant tun?
Qdrants Funktionsumfang dreht sich um das Speichern und Durchsuchen von Vektor-Embeddings im großen Maßstab, mit Metadaten-Filterung und mehreren Suchmodi darüber. Hier ist, was jeder Teil tatsächlich tut, laut Qdrants eigener Dokumentation und GitHub-README.
- Dichte Vektorsuche — speichern Sie einen oder mehrere dichte Embedding-Vektoren pro Punkt und führen Sie approximative Nearest-Neighbor-Suche darüber aus — die Kernlast hinter semantischer Suche und RAG-Retrieval
- Spärliche und hybride Suche — kombinieren Sie dichte Embeddings mit spärlichen Vektoren (einer keyword-artigen Darstellung) in einer einzigen Abfrage, nützlich wenn reine semantische Ähnlichkeit exakte Begriffe verfehlt, die ein Nutzer eingegeben hat
- Payload-Filterung — hängen Sie beliebige JSON-Metadaten an jeden Vektor an (einen "Payload") und filtern Sie Suchergebnisse danach, einschließlich verschachtelter Felder, Textabgleiche, geografischer Bedingungen und Feld-Existenzprüfungen
- Vektor-Quantisierung — wenden Sie skalare, Produkt- oder binäre Quantisierung an, um den Speicherbedarf zu reduzieren; Qdrants eigene Dokumentation beschreibt Reduzierungen von bis zu rund 97 % in günstigen Konfigurationen, wobei die tatsächlichen Ergebnisse von Ihren Vektoren und der Konfiguration abhängen
- Multivektor-Unterstützung — speichern Sie mehrere Vektoren pro Punkt (zum Beispiel einen pro Dokumentabschnitt oder Bildregion) für eine granularere Relevanzbewertung
- Eingebautes Web-Dashboard — eine visuelle Oberfläche zum Durchsuchen von Collections, Inspizieren von Punkten und Ausführen von Testabfragen, typischerweise bereitgestellt unter
http://localhost:6333/dashboardbei einer lokalen Installation, ohne Client-Code zu schreiben - Verteiltes Deployment — Sharding und Replikation zur Skalierung über einen einzelnen Knoten hinaus, relevant sobald ein selbst gehostetes Deployment eine einzelne Maschine übersteigt
- Echtzeit-Indexierung — neue und aktualisierte Punkte werden durchsuchbar, ohne dass ein vollständiger Index-Neuaufbau nötig ist, laut Qdrants Dokumentation
Anwendungsbeispiele in einer lokalen RAG-Pipeline
Dies sind konkrete Workflows, aufgebaut auf Qdrants oben dokumentierten Funktionen — die Form, die ein selbst gehostetes RAG-Setup aus Embedding-Modell plus Vektordatenbank typischerweise annimmt.
Embeddings von einem lokalen Embedding-Modell speichern und abfragen
Führen Sie docker run -p 6333:6333 qdrant/qdrant aus, um eine lokale Instanz zu starten, erstellen Sie eine Collection passend zur Ausgabedimension Ihres Embedding-Modells und nutzen Sie den Python-Client (from qdrant_client import QdrantClient), um Vektoren, die ein lokales Embedding-Modell erzeugt hat — zum Beispiel eines, das über Ollama bereitgestellt wird, oder ein Sentence-Transformers-Modell —, zusammen mit einem Payload aus Quelldokument, Abschnittsindex und beliebigen Tags, nach denen Sie später filtern möchten, zu upserten.
Payload-Filter mit Ähnlichkeitssuche für RAG-Retrieval kombinieren
Wenn Ihr lokales LLM eine Frage beantworten muss, die in Ihren eigenen Dokumenten verankert ist, fragen Sie Qdrant nach den nächstgelegenen Vektoren zum Embedding der Frage, gefiltert nach Payload-Bedingungen wie document_type: "policy" oder einem Datumsbereich, sodass das Retrieval auf relevante Dokumente beschränkt bleibt, statt Ihren gesamten Korpus wahllos zu durchsuchen.
Collections im eingebauten Dashboard inspizieren und debuggen
Öffnen Sie das Web-Dashboard unter http://localhost:6333/dashboard bei einer lokalen Docker-Installation, um Collections zu durchsuchen, einzelne Punkte und ihre Payloads anzuzeigen und ad-hoc-Testabfragen auszuführen — nützlich, um zu prüfen, ob Ihre Embedding-Pipeline Qdrant tatsächlich korrekt befüllt, bevor Sie sie in eine vollständige RAG-Anwendung einbinden.
Qdrant installieren
Qdrant lässt sich kostenlos via Docker, einer herunterladbaren Binärdatei oder der Rust-Crate installieren, und der Quellcode liegt auf GitHub. Die untenstehenden Links stammen aus Qdrants eigener Dokumentation und dem GitHub-Repository — prüfen Sie diese Seiten immer direkt, da sich die genauen Befehle zwischen Releases ändern können.
Quelle | Link |
|---|---|
| Offizielle Website und Dokumentation | qdrant.tech |
| GitHub-Repository (Quellcode, Apache-2.0) | github.com/qdrant/qdrant |
| Docker-Image | hub.docker.com/r/qdrant/qdrant — docker run -p 6333:6333 qdrant/qdrant |
| Python-Client (PyPI) | pypi.org/project/qdrant-client — pip install qdrant-client |
| JavaScript/TypeScript-Client (npm) | npmjs.com/package/@qdrant/js-client-rest — npm install @qdrant/js-client-rest |
| Rust-Crate | cargo add qdrant-client, laut der Client-Dokumentation |
| Qdrant Cloud (verwaltet, optional) | cloud.qdrant.io |
Qdrant hat keinen GUI-Installer — es läuft als Serverprozess (via Docker, eine Binärdatei oder aus dem Quellcode gebaut), mit dem Sie sich über eine Client-Bibliothek oder das Web-Dashboard verbinden. Es gibt kein von Qdrant selbst festgelegtes Hardware-Minimum; der benötigte RAM und Speicherplatz skaliert mit der Anzahl der Vektoren, ihrer Dimensionalität und ob Sie Quantisierung nutzen.
Qdrant Preise: Open Source vs. Qdrant Cloud
Der selbst gehostete Qdrant-Server ist kostenlos, ohne kostenpflichtige Stufe für die Open-Source-Software selbst. Die GitHub-LICENSE-Datei gilt für den gesamten selbst gehosteten Code und ist die standardmäßige Apache License, Version 2.0. Qdrant Cloud, ein separates verwaltetes Hosting-Produkt desselben Unternehmens, wird unabhängig bepreist und ist nicht erforderlich, um Qdrant überhaupt zu nutzen.
- Selbst gehostetes Qdrant: kostenlos und quelloffen (Apache-2.0), kein Abonnement, keine von der Software selbst auferlegten Nutzungslimits — Ihre einzigen Kosten sind Ihre eigene Infrastruktur (Rechenleistung, RAM, Speicher)
- Kein Konto oder Registrierung nötig, um den Open-Source-Server zu betreiben
- Qdrant Cloud ist ein separates, optionales verwaltetes Angebot auf AWS, GCP oder Azure; prüfen Sie qdrant.tech/pricing direkt für aktuelle Stufen und Preise, da diese Review keine Preisangaben wiedergibt, die sich ändern können
- Qdrant Edge, eine leichtgewichtige, in-process laufende Variante, befand sich zum Zeitpunkt dieser Review in der Beta-Phase — prüfen Sie aktuelle Lizenzierung und Verfügbarkeit auf qdrant.tech, bevor Sie sich darauf verlassen
Qdrant vs. Milvus
Qdrant und Milvus gehören zu den etablierteren quelloffenen, selbst hostbaren Vektordatenbanken, und sie werden oft verglichen, weil beide produktionsreife Ähnlichkeitssuche mit Metadaten-Filterung anstreben. Die klarsten Unterschiede liegen in der Implementierungssprache, der Deployment-Komplexität und wie jedes Projekt sein verwaltetes Cloud-Angebot positioniert.
Aspekt | Qdrant | |
|---|---|---|
| Implementierungssprache | Rust | Go und C++ |
| Single-Node-Deployment | Ein Docker-Container (qdrant/qdrant) | Typischerweise mehr bewegliche Teile (etcd, Object Storage), außer bei der Milvus-Lite-Variante |
| Eingebautes Web-Dashboard | Ja, im Server enthalten | Separates Tool (Attu) für GUI-Verwaltung |
| Hybride Suche | Dicht + spärlich + Multivektor in einer Abfrage | Unterstützt über eigene Hybrid-Search-APIs |
| Lizenz | Apache License 2.0 | Apache License 2.0 |
| Verwaltete Cloud | Qdrant Cloud (AWS/GCP/Azure) | Zilliz Cloud, betrieben vom wichtigsten kommerziellen Träger von Milvus |
Wenn Ihre Priorität das einfachstmögliche Single-Container-Setup mit eingebautem Dashboard ist, ist Qdrants Deployment-Footprint für die meisten lokalen und kleinen Teams leichtgewichtiger. Wenn Sie bereits Kubernetes-native Infrastruktur in größerem Maßstab betreiben, prüfen Sie Milvus direkt — beide sind kostenlos und quelloffen unter Apache-2.0, und beide liefern häufig Updates, prüfen Sie also die aktuellen Funktionsdetails auf der jeweils eigenen Website, bevor Sie sich entscheiden.
Für wen eignet sich Qdrant?
Ob Qdrant zu Ihnen passt, hängt davon ab, ob Sie eine dedizierte, selbst hostbare Vektordatenbank mit Payload-Filterung und hybrider Suche benötigen, statt einer einfacheren eingebetteten oder In-Memory-Option.
Nutzen Sie Qdrant, wenn
- Sie eine RAG-Pipeline aufbauen und eine dedizierte Vektordatenbank benötigen, die vollständig auf Ihrer eigenen Infrastruktur läuft, ohne dass Daten Ihre Server verlassen
- Sie Suchergebnisse nach strukturierten Metadaten (Dokumenttyp, Datum, Tags, Berechtigungen) zusätzlich zur Vektorähnlichkeit filtern müssen
- Sie hybride Suche wollen, die dichte semantische Embeddings mit spärlichen, keyword-artigen Vektoren in einer einzigen Abfrage kombiniert
- Sie ein eingebautes Web-Dashboard zur Inspektion von Collections während der Entwicklung wollen, ohne ein separates Admin-Tool aufzusetzen
- Sie erwarten, dass Sie eine einzelne Maschine irgendwann übersteigen, und Sharding/Replikation verfügbar haben wollen, ohne die Datenbank zu wechseln
Warten Sie ab oder schauen Sie sich anderweitig um, wenn
- Ihr Datensatz klein genug ist (ein paar tausend Vektoren), dass eine eingebettete, in-process laufende Option oder eine einfachere Lösung auf Bibliotheksebene Ihre Anforderungen erfüllt, ohne einen separaten Server zu betreiben — siehe txtai für eine eingebettete Alternative
- Sie eine vollständig verwaltete Vektorsuch-API wollen und damit einverstanden sind, dass Ihre Daten Ihre eigene Infrastruktur verlassen — Qdrant Cloud ist eine Option, prüfen Sie sie aber direkt gegen andere verwaltete Anbieter
- Sie ein vollständiges RAG-Framework (Dokument-Loader, Chunking, Orchestrierung) statt nur der Vektorspeicherungsschicht benötigen — kombinieren Sie Qdrant mit LangChain oder LlamaIndex für diese Schicht, statt zu erwarten, dass Qdrant selbst sie bereitstellt
- Sie offiziellen Enterprise-Support mit SLA statt Community-Support benötigen — Qdrants Support-Kanäle im kostenlosen Tier sind GitHub Issues und Discord, typisch für ein Open-Source-Projekt; Enterprise-Support-Bedingungen sind ein separates kommerzielles Gespräch mit dem Unternehmen
Qdrant vs. andere Vektordatenbanken und RAG-Tools
Qdrant ist eines von mehreren Tools im Bereich Vektordatenbanken und RAG-Infrastruktur. So schneidet es im Vergleich zu anderen Optionen ab — siehe das lokale KI-Software-Verzeichnis für den vollständigen Katalog und den dedizierten Qdrant-vs.-Milvus-Vergleich oben für den direktesten Vergleich.
- Milvus — eine weitere quelloffene, selbst hostbare Vektordatenbank, gebaut in Go und C++, ausgerichtet auf großangelegte Produktions-Deployments; siehe den dedizierten Vergleichsabschnitt oben.
- txtai — ein eingebettetes Vektorsuch- und RAG-Toolkit, das in-process statt als separater Server läuft, eine leichtgewichtigere Option für kleinere Datensätze.
- LangChain — ein Orchestrierungs-Framework, keine Vektordatenbank selbst, häufig genutzt, um Qdrant in eine vollständige RAG-Pipeline neben Dokument-Loadern und einem LLM einzubinden.
- LlamaIndex — eine Datenframework-Alternative zu LangChain zum Aufbau von RAG-Pipelines, mit einer Qdrant-Integration über eigene Vector-Store-Connectoren.
- Haystack (deepset) — ein RAG- und Such-Framework, das, wie LangChain und LlamaIndex, oberhalb der Vektordatenbank-Schicht sitzt und Qdrant als Backing Store nutzen kann.
- Siehe auch PromptQuorums eigenen Vergleich Pinecone vs. Weaviate vs. Qdrant vs. Chroma für einen breiteren Vierweg-Blick auf die Vektordatenbank-Landschaft.
Häufige Fehler bei der Bewertung von Qdrant
Die meiste Verwirrung rund um Qdrant entsteht dadurch, es mit einem vollständigen RAG-Framework zu verwechseln, sein Verhältnis zu Qdrant Cloud misszuverstehen oder anzunehmen, es erzeuge selbst Embeddings.
Fehler 1: Erwarten, dass Qdrant Embeddings erzeugt
Qdrant speichert und durchsucht Vektoren — es wandelt selbst keinen Text in Embeddings um. Sie benötigen ein separates Embedding-Modell (lokal oder cloud-gehostet), um die Vektoren zu erzeugen, die Sie an Qdrant senden.
Fehler 2: Annehmen, Qdrant Cloud sei zur Nutzung von Qdrant erforderlich
Qdrant Cloud ist ein separates, optionales verwaltetes Hosting-Produkt. Der Open-Source-Server ist vollständig selbst hostbar via Docker, eine Binärdatei oder die Rust-Crate, ohne Abhängigkeit vom Cloud-Angebot.
Fehler 3: Qdrant als vollständiges RAG-Framework behandeln
Qdrant ist die Vektorspeicherungs- und Suchschicht. Dokumenten-Laden, Chunking, Prompt-Orchestrierung und LLM-Aufrufe werden von einem separaten Framework wie LangChain, LlamaIndex oder Haystack übernommen, oder von Code, den Sie selbst schreiben.
Fehler 4: Annehmen, die Speichereinsparung der Quantisierung gelte einheitlich
Qdrants Dokumentation beschreibt Reduzierungen des Speicherbedarfs von bis zu rund 97 % durch Quantisierung in günstigen Konfigurationen, aber die tatsächliche Einsparung hängt stark von Ihrer Vektordimensionalität, der Quantisierungsmethode und der Datenverteilung ab — benchmarken Sie Ihre eigene Last, statt anzunehmen, dass diese Zahl auf Ihren Datensatz zutrifft.
Häufig gestellte Fragen
Was ist Qdrant?
Qdrant (qdrant.tech, Quellcode unter github.com/qdrant/qdrant) ist eine kostenlose, quelloffene Vektordatenbank und Suchmaschine, geschrieben in Rust. Sie speichert Vektor-Embeddings zusammen mit JSON-Payload-Metadaten und unterstützt dichte, spärliche und hybride Ähnlichkeitssuche.
Ist Qdrant kostenlos?
Ja, der selbst gehostete Qdrant-Server ist kostenlos und quelloffen unter der Apache License 2.0, ohne kostenpflichtige Stufe. Qdrant Cloud, ein separates verwaltetes Hosting-Angebot, wird unabhängig bepreist — aktuelle Zahlen finden Sie unter qdrant.tech/pricing, falls Sie diesen Weg wählen.
Ist Qdrant quelloffen? Welche Lizenz verwendet es?
Ja. Qdrants GitHub-LICENSE-Datei ist die standardmäßige Apache License, Version 2.0, gültig für den gesamten selbst gehosteten Code.
Kann Qdrant vollständig lokal laufen, ohne Cloud-Abhängigkeit?
Ja. Qdrant ist vollständig selbst hostbar via Docker (docker run -p 6333:6333 qdrant/qdrant), eine herunterladbare Binärdatei oder die Rust-Crate. Qdrant Cloud ist optional und separat — nicht erforderlich, um die Software zu betreiben.
Hat Qdrant ein Web-Dashboard?
Ja. Qdrant liefert ein eingebautes Web-Dashboard, typischerweise erreichbar unter http://localhost:6333/dashboard bei einer lokalen Installation, zum Durchsuchen von Collections, Inspizieren von Punkten und Ausführen von Testabfragen ohne Client-Code zu schreiben.
Unterstützt Qdrant hybride Suche?
Ja. Qdrant unterstützt die Kombination von dichter (semantischer) Suche mit spärlicher (keyword-artiger) Suche und Multivektor-Unterstützung in einer einzigen Abfrage, laut eigener Dokumentation.
Wie kombiniere ich Qdrant mit einem lokalen Embedding-Modell?
Qdrant erzeugt selbst keine Embeddings. Betreiben Sie ein lokales Embedding-Modell (zum Beispiel über Ollama oder ein Sentence-Transformers-Modell in Python), um Ihren Text in Vektoren umzuwandeln, und nutzen Sie dann einen von Qdrants offiziellen Clients (Python, JavaScript/TypeScript, Go, Rust, .NET/C# oder Java), um diese Vektoren zu speichern und abzufragen.
Was ist der Unterschied zwischen Qdrant und Qdrant Cloud?
Qdrant ist die Open-Source-Vektordatenbank-Software, kostenlos überall selbst hostbar. Qdrant Cloud ist ein separates, optionales verwaltetes Hosting-Produkt desselben Unternehmens, betrieben auf AWS, GCP oder Azure, unabhängig von der Open-Source-Software bepreist.
Integriert sich Qdrant mit LangChain oder LlamaIndex?
Ja. Sowohl LangChain als auch LlamaIndex bieten Vector-Store-Connectoren für Qdrant, sodass Sie es als Retrieval-Backend in einer größeren, mit einem der beiden Frameworks gebauten RAG-Pipeline nutzen können.
Welche Programmiersprachen unterstützt Qdrant?
Qdrant liefert offizielle Client-Bibliotheken für Python, JavaScript/TypeScript, Go, Rust, .NET/C# und Java, plus eine REST-API und eine gRPC-API, die jede Sprache direkt aufrufen kann, laut Qdrants eigener Client-Dokumentation.