Wichtigste Erkenntnisse
- Qdrant ist kostenlos und quelloffen unter der Apache License 2.0 — der selbst gehostete Server hat keine kostenpflichtige Stufe
- Geschrieben in Rust; läuft via Docker (
docker run -p 6333:6333 qdrant/qdrant), eine herunterladbare Binärdatei oder die Rust-Crate - Offizielle Client-Bibliotheken: Python (
pip install qdrant-client), JavaScript/TypeScript (npm install @qdrant/js-client-rest), Go, Rust, .NET/C# und Java, laut Qdrants eigener Client-Dokumentation - Unterstützt dichte Vektorsuche, spärliche Vektorsuche und hybride Suche sowie JSON-basierte Payload-Filterung (verschachtelte Felder, Text-, Geo- und Existenzbedingungen)
- Bietet ein eingebautes Web-Dashboard zum Durchsuchen von Collections und Ausführen von Testabfragen, typischerweise erreichbar unter
http://localhost:6333/dashboardbei einer lokalen Installation - Unterstützt Vektor-Quantisierung; Qdrants eigene Dokumentation beschreibt Reduzierungen des Speicherbedarfs von bis zu rund 97 % in günstigen Konfigurationen — die tatsächliche Einsparung hängt von Ihren Daten und der Quantisierungsmethode ab, benchmarken Sie also Ihre eigene Last, statt anzunehmen, dass diese Zahl universell gilt
- Das GitHub-Repository (github.com/qdrant/qdrant) zeigt Stand September 2026 rund 34.655 Sterne
- Qdrant Cloud ist ein separates, optionales verwaltetes Hosting-Angebot auf AWS, GCP oder Azure desselben Unternehmens — nicht erforderlich, um die Open-Source-Software zu nutzen
📍 In einem Satz
Qdrant ist eine kostenlose, quelloffene (Apache-2.0) Vektordatenbank und Suchmaschine, geschrieben in Rust, die Sie selbst über Docker hosten können, mit eingebautem Web-Dashboard und ohne Kosten außer Ihrer eigenen Infrastruktur.
💬 In einfachen Worten
Statt für eine gehostete Vektorsuch-API zu bezahlen, betreiben Sie Qdrant selbst in einem Docker-Container, und es speichert die numerischen "Embedding"-Vektoren, die Ihre Dokumente repräsentieren — zusammen mit Tags oder Metadaten, die Sie anhängen —, sodass Ihr lokales LLM schnell die relevantesten Textabschnitte findet, um eine Frage zu beantworten.
📌Hinweis: Diese Review ist das vertiefende Begleitstück zu Qdrants Eintrag im lokalen KI-Software-Verzeichnis — dort finden Sie einen schnellen Überblick, wie Qdrant im Vergleich zu Dutzenden anderer lokaler KI-Tools abschneidet.
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.
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 | Milvus |
|---|---|---|
| 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.
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.
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.