Conclusiones clave
- Qdrant es gratuito y de código abierto bajo la Apache License 2.0 — el servidor autoalojado no tiene ningún nivel de pago
- Escrito en Rust; se ejecuta vía Docker (
docker run -p 6333:6333 qdrant/qdrant), un binario descargable o el crate de Rust - Bibliotecas cliente oficiales: Python (
pip install qdrant-client), JavaScript/TypeScript (npm install @qdrant/js-client-rest), Go, Rust, .NET/C# y Java, según la propia documentación de clientes de Qdrant - Admite búsqueda vectorial densa, sparse e híbrida, además de filtrado de payload basado en JSON (campos anidados, texto, geolocalización y condiciones de existencia)
- Incluye un panel web integrado para explorar colecciones y ejecutar consultas de prueba, normalmente accesible en
http://localhost:6333/dashboarden una instalación local - Admite cuantización vectorial; la propia documentación de Qdrant describe reducciones de la huella de memoria de hasta aproximadamente un 97% en configuraciones favorables — el ahorro real depende de tus datos y del método de cuantización, así que haz benchmark de tu propia carga de trabajo en lugar de asumir que esa cifra aplica de forma universal
- El repositorio de GitHub (github.com/qdrant/qdrant) muestra aproximadamente 34.655 estrellas a septiembre de 2026
- Qdrant Cloud es una oferta de hosting gestionado independiente y opcional en AWS, GCP o Azure de la misma empresa — no es necesaria para usar el software open source
📍 En una frase
Qdrant es una base de datos vectorial y motor de búsqueda gratuito y de código abierto (Apache-2.0), escrito en Rust, que puedes autoalojar vía Docker, con panel web integrado y sin más coste que tu propia infraestructura.
💬 En términos simples
En lugar de pagar por una API de búsqueda vectorial alojada, ejecutas Qdrant tú mismo en un contenedor Docker, y este almacena los vectores numéricos de "embedding" que representan tus documentos — junto con cualquier etiqueta o metadato que les añadas —, para que tu LLM local encuentre rápidamente los fragmentos de texto más relevantes para responder una pregunta.
📌Nota: Esta review es el complemento en profundidad de la entrada de Qdrant en el directorio de software de LLM local — consulta esa página para ver de un vistazo cómo se compara Qdrant con decenas de otras herramientas de IA local.
¿Qué es Qdrant?
Qdrant es una base de datos vectorial y motor de búsqueda de similitud que almacena vectores de embedding de alta dimensión junto con metadatos JSON estructurados, llamados "payload", y permite buscar en ambos a la vez. Su propia descripción en GitHub lo posiciona como un "vector similarity search engine and vector database" con API REST y gRPC, construido específicamente para almacenar, buscar y gestionar vectores junto con datos de payload para matching semántico, búsqueda por facetas y otras aplicaciones que necesitan comparar embeddings.
- Función principal: una base de datos diseñada para almacenar vectores de embedding más metadatos JSON arbitrarios, y ejecutar búsqueda rápida de vecinos más cercanos aproximados sobre ellos, filtrada por esos metadatos
- Implementación: escrito en Rust, según el propio repositorio y documentación del proyecto
- Métodos de acceso: una API REST, una API gRPC, y bibliotecas cliente oficiales para Python, JavaScript/TypeScript, Go, Rust, .NET/C# y Java (existen clientes de la comunidad para Kotlin y PHP)
- Interfaces relevantes para este público: uso por línea de comandos vía
curl/SDK de cliente, uso como biblioteca integrada en una aplicación (mediante cualquiera de los clientes oficiales), y un panel web integrado para explorar colecciones sin escribir código - Modelo de despliegue: completamente autoalojable bajo la Apache License 2.0, con Qdrant Cloud disponible como oferta gestionada independiente y opcional en AWS, GCP o Azure para equipos que no quieren operar su propio clúster
- Repositorio canónico: github.com/qdrant/qdrant — el código fuente, el rastreador de issues y el historial de releases del proyecto
La historia del proyecto Qdrant
Qdrant está desarrollado por Qdrant, la empresa detrás del proyecto open source y de su sitio qdrant.tech, y el código ha sido público en GitHub durante varios años, creciendo hasta aproximadamente 34.655 estrellas y una base activa de colaboradores a septiembre de 2026. El proyecto se ha expandido de un motor de búsqueda vectorial de un solo nodo a una plataforma que también admite despliegue distribuido (sharding y replicación), cuantización vectorial para reducir el uso de memoria, búsqueda híbrida densa/sparse, y una variante más ligera que se ejecuta en proceso llamada Qdrant Edge.
- El repositorio de GitHub (github.com/qdrant/qdrant) es el hogar canónico y activamente mantenido del código fuente y las notas de versión del proyecto
- Qdrant Cloud, un producto de hosting gestionado independiente, se introdujo junto al motor open source como la oferta comercial de la empresa
- Qdrant Edge, descrito en qdrant.tech como una variante ligera, ejecutada en proceso, de la base de datos para entornos con recursos limitados, es una incorporación más reciente a la línea de productos y estaba en beta en el momento de esta review
¿Qué puedes hacer con Qdrant?
El conjunto de funciones de Qdrant se centra en almacenar y buscar embeddings vectoriales a gran escala, con filtrado de metadatos y varios modos de búsqueda superpuestos. Esto es lo que hace realmente cada parte, según la propia documentación y el README de GitHub de Qdrant.
- Búsqueda vectorial densa — almacena uno o más vectores de embedding densos por punto y ejecuta búsqueda de vecinos más cercanos aproximados sobre ellos, la carga de trabajo principal detrás de la búsqueda semántica y el retrieval en RAG
- Búsqueda sparse e híbrida — combina embeddings densos con vectores sparse (una representación de tipo keyword) en una sola consulta, útil cuando la similitud semántica pura pierde términos exactos que un usuario escribió
- Filtrado de payload — adjunta metadatos JSON arbitrarios a cada vector (un "payload") y filtra los resultados de búsqueda por ellos, incluyendo campos anidados, coincidencias de texto, condiciones geográficas y comprobaciones de existencia de campo
- Cuantización vectorial — aplica cuantización escalar, de producto o binaria para reducir la huella de memoria; la propia documentación de Qdrant describe reducciones de hasta aproximadamente un 97% en configuraciones favorables, aunque los resultados reales dependen de tus vectores y de la configuración
- Soporte multivector — almacena varios vectores por punto (por ejemplo, uno por fragmento de documento o región de imagen) para un scoring de relevancia más granular
- Panel web integrado — una interfaz visual para explorar colecciones, inspeccionar puntos y ejecutar consultas de prueba, normalmente servida en
http://localhost:6333/dashboarden una instalación local, sin escribir código de cliente - Despliegue distribuido — sharding y replicación para escalar más allá de un solo nodo, relevante cuando un despliegue autoalojado supera una sola máquina
- Indexación en tiempo real — los puntos nuevos y actualizados se vuelven consultables sin necesidad de reconstruir el índice por completo, según la documentación de Qdrant
Ejemplos de uso en un pipeline RAG local
Estos son workflows concretos construidos a partir de las funciones documentadas de Qdrant anteriores — la forma que típicamente adopta una configuración RAG autoalojada que combina modelo de embedding y base de datos vectorial.
Instalar Qdrant
Qdrant se instala gratis vía Docker, un binario descargable o el crate de Rust, y su código fuente está en GitHub. Los enlaces siguientes provienen de la propia documentación y el repositorio de GitHub de Qdrant — verifica siempre directamente en esas páginas, ya que los comandos exactos pueden cambiar entre releases.
Fuente | Enlace |
|---|---|
| Sitio oficial y documentación | qdrant.tech |
| Repositorio de GitHub (código fuente, Apache-2.0) | github.com/qdrant/qdrant |
| Imagen Docker | hub.docker.com/r/qdrant/qdrant — docker run -p 6333:6333 qdrant/qdrant |
| Cliente Python (PyPI) | pypi.org/project/qdrant-client — pip install qdrant-client |
| Cliente JavaScript/TypeScript (npm) | npmjs.com/package/@qdrant/js-client-rest — npm install @qdrant/js-client-rest |
| Crate de Rust | cargo add qdrant-client, según la documentación de clientes |
| Qdrant Cloud (gestionado, opcional) | cloud.qdrant.io |
Qdrant no tiene instalador gráfico — se ejecuta como un proceso de servidor (vía Docker, un binario o compilado desde el código fuente) al que te conectas con una biblioteca cliente o el panel web. No hay un mínimo de hardware fijo publicado por Qdrant; la RAM y el disco que necesitas escalan con el número de vectores, su dimensionalidad y si usas cuantización.
Precios de Qdrant: open source vs. Qdrant Cloud
El servidor Qdrant autoalojado es gratuito, sin ningún nivel de pago para el software open source en sí. El archivo LICENSE de GitHub aplica a todo el código autoalojado y corresponde a la Apache License, Version 2.0 estándar. Qdrant Cloud, un producto de hosting gestionado independiente de la misma empresa, tiene un precio independiente y no es necesario para usar Qdrant en absoluto.
- Qdrant autoalojado: gratuito y de código abierto (Apache-2.0), sin suscripción, sin límites de uso impuestos por el propio software — tu único coste es tu propia infraestructura (cómputo, RAM, disco)
- No se requiere cuenta ni registro para ejecutar el servidor open source
- Qdrant Cloud es una oferta gestionada independiente y opcional en AWS, GCP o Azure; consulta qdrant.tech/pricing directamente para niveles y tarifas actuales, ya que esta review no reproduce cifras de precios que pueden cambiar
- Qdrant Edge, una variante ligera que se ejecuta en proceso, estaba en beta en el momento de esta review — verifica su licencia y disponibilidad actuales en qdrant.tech antes de depender de él
Qdrant vs. Milvus
Qdrant y Milvus están entre las bases de datos vectoriales open source y autoalojables más consolidadas, y se comparan con frecuencia porque ambas apuntan a búsqueda de similitud a escala de producción con filtrado de metadatos. Las diferencias más claras están en el lenguaje de implementación, la complejidad de despliegue, y cómo posiciona cada proyecto su oferta de nube gestionada.
Aspecto | Qdrant | Milvus |
|---|---|---|
| Lenguaje de implementación | Rust | Go y C++ |
| Despliegue de un solo nodo | Un contenedor Docker (qdrant/qdrant) | Normalmente más piezas móviles (etcd, almacenamiento de objetos) salvo con la variante Milvus Lite |
| Panel web integrado | Sí, incluido con el servidor | Herramienta separada (Attu) para gestión con GUI |
| Búsqueda híbrida | Densa + sparse + multivector en una sola consulta | Compatible mediante sus propias APIs de búsqueda híbrida |
| Licencia | Apache License 2.0 | Apache License 2.0 |
| Nube gestionada | Qdrant Cloud (AWS/GCP/Azure) | Zilliz Cloud, operada por el principal respaldo comercial de Milvus |
Si tu prioridad es la configuración autoalojada de un solo contenedor más simple posible con panel integrado, la huella de despliegue de Qdrant es más ligera para la mayoría de casos de uso locales y de equipos pequeños. Si ya operas infraestructura nativa de Kubernetes a mayor escala, evalúa Milvus directamente — ambas son gratuitas y de código abierto bajo Apache-2.0, y ambas lanzan actualizaciones con frecuencia, así que verifica los detalles de funciones actuales en el sitio de cada proyecto antes de decidir.
¿Quién debería usar Qdrant?
Que Qdrant encaje contigo depende de si necesitas una base de datos vectorial dedicada y autoalojable con filtrado de payload y búsqueda híbrida, en lugar de una opción embebida o en memoria más simple.
Qdrant vs. otras bases de datos vectoriales y herramientas RAG
Qdrant es una de varias herramientas en el espacio de bases de datos vectoriales e infraestructura RAG. Así se sitúa frente a otras opciones — consulta el directorio de software de LLM local para el catálogo completo, y la comparación dedicada Qdrant vs. Milvus arriba para el enfrentamiento más directo.
- Milvus — otra base de datos vectorial open source y autoalojable, construida en Go y C++, orientada a despliegues de producción a gran escala; ver la sección de comparación dedicada arriba.
- txtai — un kit de búsqueda vectorial y RAG embebido que se ejecuta en proceso en lugar de como servidor separado, una opción más ligera para conjuntos de datos más pequeños.
- LangChain — un framework de orquestación, no una base de datos vectorial en sí, usado habitualmente para conectar Qdrant en un pipeline RAG completo junto a cargadores de documentos y un LLM.
- LlamaIndex — una alternativa de framework de datos a LangChain para construir pipelines RAG, con una integración con Qdrant disponible a través de sus propios conectores de vector store.
- Haystack (deepset) — un framework de RAG y búsqueda que, al igual que LangChain y LlamaIndex, se sitúa por encima de la capa de base de datos vectorial y puede usar Qdrant como almacén de backing.
- Consulta también la propia comparación Pinecone vs. Weaviate vs. Qdrant vs. Chroma de PromptQuorum para una mirada más amplia a cuatro bandas sobre el panorama de bases de datos vectoriales.
Errores comunes al evaluar Qdrant
La mayor parte de la confusión sobre Qdrant viene de confundirlo con un framework RAG completo, malinterpretar su relación con Qdrant Cloud, o asumir que genera embeddings por sí mismo.
Preguntas frecuentes
¿Qué es Qdrant?
Qdrant (qdrant.tech, código fuente en github.com/qdrant/qdrant) es una base de datos vectorial y motor de búsqueda gratuito y de código abierto, escrito en Rust. Almacena vectores de embedding junto con metadatos JSON (payload) y admite búsqueda de similitud densa, sparse e híbrida.
¿Es gratis Qdrant?
Sí, el servidor Qdrant autoalojado es gratuito y de código abierto bajo la Apache License 2.0, sin ningún nivel de pago. Qdrant Cloud, una oferta de hosting gestionado independiente, tiene un precio separado — consulta qdrant.tech/pricing para cifras actuales si eliges esa opción.
¿Es Qdrant de código abierto? ¿Qué licencia usa?
Sí. El archivo LICENSE de GitHub de Qdrant es la Apache License, Version 2.0 estándar, aplicable a todo el código autoalojado.
¿Puede Qdrant funcionar totalmente en local, sin dependencia de la nube?
Sí. Qdrant es completamente autoalojable vía Docker (docker run -p 6333:6333 qdrant/qdrant), un binario descargable o el crate de Rust. Qdrant Cloud es opcional e independiente — no es necesario para ejecutar el software.
¿Tiene Qdrant un panel web?
Sí. Qdrant incluye un panel web integrado, normalmente accesible en http://localhost:6333/dashboard en una instalación local, para explorar colecciones, inspeccionar puntos y ejecutar consultas de prueba sin escribir código de cliente.
¿Admite Qdrant búsqueda híbrida?
Sí. Según su propia documentación, Qdrant admite combinar búsqueda vectorial densa (semántica) con búsqueda sparse (de tipo keyword) y soporte multivector en una sola consulta.
¿Cómo combino Qdrant con un modelo de embedding local?
Qdrant no genera embeddings por sí mismo. Ejecuta un modelo de embedding local (por ejemplo, a través de Ollama o un modelo sentence-transformers en Python) para convertir tu texto en vectores, y luego usa uno de los clientes oficiales de Qdrant (Python, JavaScript/TypeScript, Go, Rust, .NET/C# o Java) para almacenar y consultar esos vectores.
¿Cuál es la diferencia entre Qdrant y Qdrant Cloud?
Qdrant es el software de base de datos vectorial open source, gratuito para autoalojar en cualquier lugar. Qdrant Cloud es un producto de hosting gestionado independiente y opcional de la misma empresa, que se ejecuta en AWS, GCP o Azure, con un precio independiente del software open source.
¿Se integra Qdrant con LangChain o LlamaIndex?
Sí. Tanto LangChain como LlamaIndex ofrecen conectores de vector store para Qdrant, permitiéndote usarlo como backend de retrieval en un pipeline RAG más amplio construido con cualquiera de los dos frameworks.
¿Qué lenguajes de programación admite Qdrant?
Qdrant incluye bibliotecas cliente oficiales para Python, JavaScript/TypeScript, Go, Rust, .NET/C# y Java, además de una API REST y una API gRPC que cualquier lenguaje puede llamar directamente, según la propia documentación de clientes de Qdrant.