Qu'est-ce que Qdrant ?
Qdrant est une base de données vectorielle et un moteur de recherche de similarité qui stocke des vecteurs d'embedding de haute dimension avec des métadonnées JSON structurées, appelées « payload », et permet de rechercher sur les deux à la fois. Sa propre description GitHub le positionne comme un « vector similarity search engine and vector database » avec une API REST et gRPC, conçu spécifiquement pour stocker, rechercher et gérer des vecteurs aux côtés de données de payload pour le matching sémantique, la recherche à facettes et d'autres applications nécessitant de comparer des embeddings.
- Fonction principale : une base de données conçue pour stocker des vecteurs d'embedding plus des métadonnées JSON arbitraires (payload), et exécuter une recherche rapide du plus proche voisin approximatif sur ceux-ci, filtrée par ces métadonnées
- Implémentation : écrit en Rust, selon le propre dépôt et la documentation du projet
- Méthodes d'accès : une API REST, une API gRPC, et des bibliothèques clientes officielles pour Python, JavaScript/TypeScript, Go, Rust, .NET/C# et Java (des clients communautaires existent pour Kotlin et PHP)
- Interfaces pertinentes pour ce public : usage en ligne de commande via
curl/SDK clients, usage en bibliothèque intégrée dans une application (via l'un des clients officiels), et un tableau de bord web intégré pour parcourir les collections sans écrire de code - Modèle de déploiement : entièrement auto-hébergeable sous Apache License 2.0, avec Qdrant Cloud disponible comme offre managée séparée et optionnelle sur AWS, GCP ou Azure pour les équipes qui ne veulent pas exploiter leur propre cluster
- Dépôt canonique : github.com/qdrant/qdrant — le code source, le suivi des tickets et l'historique des releases du projet
Historique du projet Qdrant
Qdrant est développé par Qdrant, l'entreprise derrière le projet open source et son site qdrant.tech, et le code est public sur GitHub depuis plusieurs années, atteignant environ 34 655 étoiles et une base active de contributeurs en septembre 2026. Le projet est passé d'un moteur de recherche vectorielle mono-nœud à une plateforme qui prend également en charge le déploiement distribué (sharding et réplication), la quantification vectorielle pour réduire l'usage mémoire, la recherche hybride dense/sparse, et une variante plus légère, exécutée en process, appelée Qdrant Edge.
- Le dépôt GitHub (github.com/qdrant/qdrant) est la maison canonique et activement maintenue du code source et des notes de version du projet
- Qdrant Cloud, un produit d'hébergement managé séparé, a été introduit aux côtés du moteur open source comme offre commerciale de l'entreprise
- Qdrant Edge, décrit sur qdrant.tech comme une variante légère, exécutée en process, de la base de données pour les environnements à ressources limitées, est un ajout plus récent à la gamme de produits et était en bêta au moment de cette review
Que pouvez-vous faire avec Qdrant ?
L'ensemble de fonctionnalités de Qdrant se concentre sur le stockage et la recherche d'embeddings vectoriels à grande échelle, avec du filtrage de métadonnées et plusieurs modes de recherche en superposition. Voici ce que chaque élément fait réellement, selon la propre documentation et le README GitHub de Qdrant.
- Recherche vectorielle dense — stockez un ou plusieurs vecteurs d'embedding dense par point et exécutez une recherche du plus proche voisin approximatif sur ceux-ci, la charge de travail principale derrière la recherche sémantique et le retrieval RAG
- Recherche sparse et hybride — combinez des embeddings denses avec des vecteurs sparse (une représentation de type mots-clés) en une seule requête, utile quand la similarité sémantique pure rate des termes exacts saisis par un utilisateur
- Filtrage de payload — attachez des métadonnées JSON arbitraires à chaque vecteur (un « payload ») et filtrez les résultats de recherche dessus, y compris les champs imbriqués, les correspondances textuelles, les conditions géographiques et les vérifications d'existence de champ
- Quantification vectorielle — appliquez une quantification scalaire, produit ou binaire pour réduire l'empreinte mémoire ; la propre documentation de Qdrant décrit des réductions allant jusqu'à environ 97 % dans des configurations favorables, bien que les résultats réels dépendent de vos vecteurs et de la configuration
- Support multivecteur — stockez plusieurs vecteurs par point (par exemple un par segment de document ou région d'image) pour un scoring de pertinence plus granulaire
- Tableau de bord web intégré — une interface visuelle pour parcourir les collections, inspecter les points et exécuter des requêtes de test, généralement servie sur
http://localhost:6333/dashboardpour une installation locale, sans écrire de code client - Déploiement distribué — sharding et réplication pour scaler au-delà d'un nœud unique, pertinent une fois qu'un déploiement auto-hébergé dépasse une seule machine
- Indexation en temps réel — les points nouveaux et mis à jour deviennent consultables sans reconstruction complète de l'index, selon la documentation de Qdrant
Exemples d'usage dans un pipeline RAG local
Voici des workflows concrets construits à partir des fonctionnalités documentées de Qdrant ci-dessus — la forme que prend typiquement une configuration RAG auto-hébergée, associant modèle d'embedding et base de données vectorielle.
Stocker et interroger des embeddings depuis un modèle d'embedding local
Exécutez docker run -p 6333:6333 qdrant/qdrant pour démarrer une instance locale, créez une collection dimensionnée pour la sortie de votre modèle d'embedding, et utilisez le client Python (from qdrant_client import QdrantClient) pour upserter des vecteurs produits par un modèle d'embedding local — par exemple, un modèle servi via Ollama ou un modèle sentence-transformers — accompagnés d'un payload contenant le document source, l'index du segment et les tags sur lesquels vous voudrez filtrer plus tard.
Combiner filtres de payload et recherche de similarité pour le retrieval RAG
Quand votre LLM local doit répondre à une question ancrée dans vos propres documents, interrogez Qdrant pour les vecteurs les plus proches de l'embedding de la question, filtrés par des conditions de payload telles que document_type: "policy" ou une plage de dates, afin que le retrieval reste limité aux documents pertinents au lieu de fouiller tout votre corpus sans discernement.
Inspecter et déboguer les collections dans le tableau de bord intégré
Ouvrez le tableau de bord web sur http://localhost:6333/dashboard pour une installation Docker locale afin de parcourir les collections, visualiser les points individuels et leurs payloads, et exécuter des requêtes de test ad hoc — utile pour vérifier que votre pipeline d'embedding alimente réellement Qdrant correctement avant de l'intégrer dans une application RAG complète.
Installer Qdrant
Qdrant s'installe gratuitement via Docker, un binaire téléchargeable ou la crate Rust, et son code source est sur GitHub. Les liens ci-dessous proviennent de la propre documentation et du dépôt GitHub de Qdrant — vérifiez toujours directement sur ces pages, car les commandes exactes peuvent changer entre les releases.
Source | Lien |
|---|---|
| Site officiel et documentation | qdrant.tech |
| Dépôt GitHub (code source, Apache-2.0) | github.com/qdrant/qdrant |
| Image Docker | hub.docker.com/r/qdrant/qdrant — docker run -p 6333:6333 qdrant/qdrant |
| Client Python (PyPI) | pypi.org/project/qdrant-client — pip install qdrant-client |
| Client JavaScript/TypeScript (npm) | npmjs.com/package/@qdrant/js-client-rest — npm install @qdrant/js-client-rest |
| Crate Rust | cargo add qdrant-client, selon la documentation client |
| Qdrant Cloud (managé, optionnel) | cloud.qdrant.io |
Qdrant n'a pas d'installateur graphique — il s'exécute comme un processus serveur (via Docker, un binaire ou compilé depuis les sources) auquel vous vous connectez avec une bibliothèque cliente ou le tableau de bord web. Il n'y a pas de minimum matériel fixe publié par Qdrant lui-même ; la RAM et l'espace disque nécessaires évoluent avec le nombre de vecteurs, leur dimensionnalité et l'usage ou non de la quantification.
Tarification Qdrant : open source vs. Qdrant Cloud
Le serveur Qdrant auto-hébergé est gratuit, sans palier payant pour le logiciel open source lui-même. Le fichier LICENSE GitHub s'applique à l'ensemble du code auto-hébergé et correspond à la Apache License, Version 2.0 standard. Qdrant Cloud, un produit d'hébergement managé séparé de la même entreprise, est tarifé indépendamment et n'est pas requis pour utiliser Qdrant du tout.
- Qdrant auto-hébergé : gratuit et open source (Apache-2.0), aucun abonnement, aucune limite d'usage imposée par le logiciel lui-même — votre seul coût est votre propre infrastructure (calcul, RAM, disque)
- Aucun compte ni inscription requis pour exécuter le serveur open source
- Qdrant Cloud est une offre managée séparée et optionnelle sur AWS, GCP ou Azure ; consultez directement qdrant.tech/pricing pour les paliers et tarifs actuels, cette review ne reproduisant pas de chiffres de tarification susceptibles de changer
- Qdrant Edge, une variante légère exécutée en process, était en bêta au moment de cette review — vérifiez sa licence et sa disponibilité actuelles sur qdrant.tech avant d'en dépendre
Qdrant vs. Milvus
Qdrant et Milvus comptent parmi les bases de données vectorielles open source auto-hébergeables les plus établies, et elles sont souvent comparées car toutes deux visent la recherche de similarité à l'échelle de la production avec filtrage de métadonnées. Les différences les plus nettes concernent le langage d'implémentation, la complexité de déploiement, et la façon dont chaque projet positionne son offre cloud managée.
Aspect | Qdrant | |
|---|---|---|
| Langage d'implémentation | Rust | Go et C++ |
| Déploiement mono-nœud | Un seul conteneur Docker (qdrant/qdrant) | Généralement plus de composants mobiles (etcd, stockage objet), sauf avec la variante Milvus Lite |
| Tableau de bord web intégré | Oui, inclus avec le serveur | Outil séparé (Attu) pour la gestion GUI |
| Recherche hybride | Dense + sparse + multivecteur en une requête | Prise en charge via ses propres API de recherche hybride |
| Licence | Apache License 2.0 | Apache License 2.0 |
| Cloud managé | Qdrant Cloud (AWS/GCP/Azure) | Zilliz Cloud, exploité par le principal soutien commercial de Milvus |
Si votre priorité est la configuration auto-hébergée mono-conteneur la plus simple possible avec un tableau de bord intégré, l'empreinte de déploiement de Qdrant est plus légère pour la plupart des usages locaux et en petite équipe. Si vous exploitez déjà une infrastructure Kubernetes-native à plus grande échelle, évaluez directement Milvus — les deux sont gratuits et open source sous Apache-2.0, et les deux livrent des mises à jour fréquentes, vérifiez donc les détails de fonctionnalités actuels sur le site de chaque projet avant de décider.
Qui devrait utiliser Qdrant ?
Que Qdrant vous convienne dépend du fait que vous ayez besoin d'une base de données vectorielle dédiée et auto-hébergeable, avec filtrage de payload et recherche hybride, plutôt que d'une option embarquée ou en mémoire plus simple.
Utilisez Qdrant si
- Vous construisez un pipeline RAG et avez besoin d'une base de données vectorielle dédiée qui s'exécute entièrement sur votre propre infrastructure, sans qu'aucune donnée ne quitte vos serveurs
- Vous devez filtrer les résultats de recherche par métadonnées structurées (type de document, date, tags, permissions) en plus de la similarité vectorielle
- Vous voulez une recherche hybride combinant embeddings sémantiques denses et vecteurs sparse de type mots-clés en une seule requête
- Vous voulez un tableau de bord web intégré pour inspecter les collections pendant le développement, sans mettre en place un outil d'administration séparé
- Vous prévoyez de dépasser une seule machine à terme et voulez le sharding/la réplication disponibles sans changer de base de données
Attendez, ou cherchez ailleurs, si
- Votre jeu de données est assez petit (quelques milliers de vecteurs) pour qu'une option embarquée, exécutée en process, ou une solution plus simple au niveau bibliothèque réponde à vos besoins sans exécuter de serveur séparé — voir txtai pour une alternative embarquée
- Vous voulez une API de recherche vectorielle entièrement managée et acceptez que vos données quittent votre propre infrastructure — Qdrant Cloud est une option, mais évaluez-la directement face à d'autres fournisseurs managés
- Vous avez besoin d'un framework RAG complet (chargeurs de documents, découpage en chunks, orchestration) plutôt que de la seule couche de stockage vectoriel — associez Qdrant à LangChain ou LlamaIndex pour cette couche, plutôt que d'attendre que Qdrant lui-même la fournisse
- Vous avez besoin d'un support entreprise officiel avec SLA plutôt que d'un support communautaire — les canaux de support du palier gratuit de Qdrant sont GitHub Issues et Discord, typiques d'un projet open source ; les conditions de support entreprise font l'objet d'une discussion commerciale séparée avec l'entreprise
Qdrant vs. autres bases de données vectorielles et outils RAG
Qdrant est l'un des nombreux outils dans l'espace des bases de données vectorielles et de l'infrastructure RAG. Voici comment il se positionne face aux autres options — consultez le répertoire de logiciels LLM locaux pour le catalogue complet, et la comparaison dédiée Qdrant vs. Milvus ci-dessus pour le face-à-face le plus proche.
- Milvus — une autre base de données vectorielle open source et auto-hébergeable, construite en Go et C++, visant les déploiements de production à grande échelle ; voir la section de comparaison dédiée ci-dessus.
- txtai — un kit de recherche vectorielle et RAG embarqué, exécuté en process plutôt que comme serveur séparé, une option plus légère pour des jeux de données plus petits.
- LangChain — un framework d'orchestration, pas une base de données vectorielle en soi, couramment utilisé pour intégrer Qdrant dans un pipeline RAG complet aux côtés de chargeurs de documents et d'un LLM.
- LlamaIndex — une alternative de framework de données à LangChain pour construire des pipelines RAG, avec une intégration Qdrant disponible via ses propres connecteurs de vector store.
- Haystack (deepset) — un framework RAG et de recherche qui, comme LangChain et LlamaIndex, se situe au-dessus de la couche base de données vectorielle et peut utiliser Qdrant comme stockage back-end.
- Voir aussi la propre comparaison Pinecone vs. Weaviate vs. Qdrant vs. Chroma de PromptQuorum pour un regard plus large à quatre sur le paysage des bases de données vectorielles.
Erreurs courantes en évaluant Qdrant
La plupart des confusions autour de Qdrant viennent du fait de le confondre avec un framework RAG complet, de mal comprendre sa relation avec Qdrant Cloud, ou de supposer qu'il génère lui-même des embeddings.
Erreur 1 : s'attendre à ce que Qdrant génère des embeddings
Qdrant stocke et recherche des vecteurs — il ne transforme pas lui-même du texte en embeddings. Vous avez besoin d'un modèle d'embedding séparé (local ou hébergé dans le cloud) pour produire les vecteurs que vous envoyez à Qdrant.
Erreur 2 : supposer que Qdrant Cloud est requis pour utiliser Qdrant
Qdrant Cloud est un produit d'hébergement managé séparé et optionnel. Le serveur open source est entièrement auto-hébergeable via Docker, un binaire ou la crate Rust, sans dépendance à l'offre cloud.
Erreur 3 : traiter Qdrant comme un framework RAG complet
Qdrant est la couche de stockage et de recherche vectorielle. Le chargement de documents, le découpage en chunks, l'orchestration de prompts et les appels au LLM sont gérés par un framework séparé comme LangChain, LlamaIndex ou Haystack, ou par du code que vous écrivez vous-même.
Erreur 4 : supposer que les économies de mémoire de la quantification s'appliquent uniformément
La documentation de Qdrant décrit des réductions d'empreinte mémoire allant jusqu'à environ 97 % grâce à la quantification dans des configurations favorables, mais les économies réelles dépendent fortement de la dimensionnalité de vos vecteurs, de la méthode de quantification et de la distribution des données — benchmarkez votre propre charge de travail plutôt que de supposer que ce chiffre s'applique à votre jeu de données.
Questions fréquemment posées
Qu'est-ce que Qdrant ?
Qdrant (qdrant.tech, code source sur github.com/qdrant/qdrant) est une base de données vectorielle et un moteur de recherche gratuits et open source, écrits en Rust. Il stocke des vecteurs d'embedding avec des métadonnées JSON (payload) et prend en charge la recherche de similarité dense, sparse et hybride.
Qdrant est-il gratuit ?
Oui, le serveur Qdrant auto-hébergé est gratuit et open source sous Apache License 2.0, sans palier payant. Qdrant Cloud, une offre d'hébergement managée séparée, est tarifée indépendamment — consultez qdrant.tech/pricing pour les tarifs actuels si vous choisissez cette option.
Qdrant est-il open source ? Quelle licence utilise-t-il ?
Oui. Le fichier LICENSE GitHub de Qdrant correspond à la Apache License, Version 2.0 standard, s'appliquant à l'ensemble du code auto-hébergé.
Qdrant peut-il fonctionner entièrement en local, sans dépendance cloud ?
Oui. Qdrant est entièrement auto-hébergeable via Docker (docker run -p 6333:6333 qdrant/qdrant), un binaire téléchargeable ou la crate Rust. Qdrant Cloud est optionnel et séparé — non requis pour exécuter le logiciel.
Qdrant dispose-t-il d'un tableau de bord web ?
Oui. Qdrant propose un tableau de bord web intégré, généralement accessible sur http://localhost:6333/dashboard pour une installation locale, pour parcourir les collections, inspecter les points et exécuter des requêtes de test sans écrire de code client.
Qdrant prend-il en charge la recherche hybride ?
Oui. Qdrant prend en charge la combinaison de la recherche vectorielle dense (sémantique) avec la recherche sparse (de type mots-clés) et le support multivecteur en une seule requête, selon sa propre documentation.
Comment associer Qdrant à un modèle d'embedding local ?
Qdrant ne génère pas lui-même d'embeddings. Exécutez un modèle d'embedding local (par exemple via Ollama ou un modèle sentence-transformers en Python) pour transformer votre texte en vecteurs, puis utilisez l'un des clients officiels de Qdrant (Python, JavaScript/TypeScript, Go, Rust, .NET/C# ou Java) pour stocker et interroger ces vecteurs.
Quelle est la différence entre Qdrant et Qdrant Cloud ?
Qdrant est le logiciel de base de données vectorielle open source, gratuit à auto-héberger n'importe où. Qdrant Cloud est un produit d'hébergement managé séparé et optionnel de la même entreprise, exploité sur AWS, GCP ou Azure, tarifé indépendamment du logiciel open source.
Qdrant s'intègre-t-il avec LangChain ou LlamaIndex ?
Oui. LangChain et LlamaIndex proposent tous deux des connecteurs de vector store pour Qdrant, vous permettant de l'utiliser comme backend de retrieval dans un pipeline RAG plus large construit avec l'un ou l'autre framework.
Quels langages de programmation Qdrant prend-il en charge ?
Qdrant fournit des bibliothèques clientes officielles pour Python, JavaScript/TypeScript, Go, Rust, .NET/C# et Java, plus une API REST et une API gRPC que n'importe quel langage peut appeler directement, selon la propre documentation client de Qdrant.