Qdrantとは？
Qdrantは、高次元の埋め込みベクトルを「payload（ペイロード）」と呼ばれる構造化されたJSONメタデータとともに保存し、両方を同時に検索できるベクトルデータベース兼類似検索エンジンです。 独自のGitHub説明では、REST APIとgRPC APIを備えた「vector similarity search engine and vector database」と位置づけられており、意味的マッチング、ファセット検索、その他埋め込みを比較する必要があるアプリケーション向けに、ベクトルをペイロードデータとともに保存・検索・管理するために特化して構築されています。
- 中核機能：埋め込みベクトルと任意のJSONペイロードメタデータを保存し、そのメタデータでフィルタリングしながら高速な近似最近傍検索を実行するために作られたデータベース
- 実装：プロジェクト独自のリポジトリとドキュメントによればRustで書かれている
- アクセス方法：REST API、gRPC API、Python・JavaScript/TypeScript・Go・Rust・.NET/C#・Java向けの公式クライアントライブラリ（KotlinとPHP向けのコミュニティクライアントも存在）
- このユーザー層が気にするインターフェース：
curl/クライアントSDK経由のコマンドライン利用、公式クライアントを介したアプリケーション組み込み型のライブラリ利用、そしてコード不要でコレクションを閲覧できる組み込みWebダッシュボード - デプロイモデル：Apache License 2.0のもとで完全にセルフホスト可能。自前のクラスタを運用したくないチーム向けに、別立ての任意の管理サービスとしてAWS・GCP・AzureでQdrant Cloudも利用可能
- 公式リポジトリ：github.com/qdrant/qdrant——プロジェクトのソースコード、issueトラッカー、リリース履歴
Qdrantのプロジェクト沿革
Qdrantは、オープンソースプロジェクトとqdrant.techサイトの運営元であるQdrant社によって開発されています。 コードベースは数年にわたりGitHubで公開されており、2026年9月時点で約34,655スターと活発なコントリビューターベースにまで成長しています。プロジェクトは単一ノードのベクトル検索エンジンから、分散デプロイ（シャーディングとレプリケーション）、メモリ使用量削減のためのベクトル量子化、密・疎ハイブリッド検索、そしてQdrant Edgeと呼ばれる軽量なインプロセス実行版もサポートするプラットフォームへと拡張してきました。
- GitHubリポジトリ（github.com/qdrant/qdrant）は、プロジェクトのソースコードとリリースノートの公式かつ活発に保守されている拠点
- Qdrant Cloudという別立ての管理ホスティング製品は、オープンソースエンジンと並行して同社の商用サービスとして導入された
- qdrant.techで軽量なインプロセス実行版のデータベースとしてリソース制約のある環境向けに紹介されているQdrant Edgeは、製品ラインへのより新しい追加であり、このレビュー時点ではベータ版であった
Qdrantで何ができる？
Qdrantの機能セットは、大規模にベクトル埋め込みを保存・検索することを中心とし、その上にメタデータフィルタリングと複数の検索モードが重ねられています。Qdrant独自のドキュメントとGitHub READMEによれば、各機能は実際には次のことを行います。
- 密ベクトル検索 — 各ポイントに1つ以上の密な埋め込みベクトルを保存し、近似最近傍検索を実行する。意味検索とRAGのretrievalを支える中核ワークロード
- 疎ベクトルとハイブリッド検索 — 密な埋め込みと疎ベクトル（キーワード的な表現）を1つのクエリで組み合わせる。純粋な意味的類似度だけでは、ユーザーが入力した正確な語句を取りこぼす場合に有用
- ペイロードフィルタリング — 各ベクトルに任意のJSONメタデータ（「payload」）を付与し、検索結果をそれでフィルタリングする。ネストされたフィールド、テキストマッチ、地理条件、フィールド存在チェックを含む
- ベクトル量子化 — スカラー・プロダクト・バイナリの量子化を適用してメモリフットプリントを削減する。Qdrant独自のドキュメントでは、好条件下で最大約97%の削減が記述されているが、実際の結果はベクトルと設定に依存する
- マルチベクトル対応 — 1ポイントあたり複数のベクトル（例えばドキュメントのチャンクや画像領域ごとに1つ）を保存し、より粒度の細かい関連性スコアリングを行う
- 組み込みWebダッシュボード — コレクションの閲覧、ポイントの検査、テストクエリの実行を行う視覚的インターフェース。ローカルインストールでは通常
http://localhost:6333/dashboardで提供され、クライアントコードを書く必要がない - 分散デプロイ — 単一ノードを超えてスケールするためのシャーディングとレプリケーション。セルフホストのデプロイが単一マシンを超えて拡大した際に関係する
- リアルタイムインデックス作成 — Qdrantのドキュメントによれば、新規・更新されたポイントはインデックスの完全な再構築なしに検索可能になる
ローカルRAGパイプラインでの活用例
以下は、上で説明したQdrantの機能に基づいた具体的なワークフローです——セルフホストの「埋め込みモデル＋ベクトルデータベース」型RAGセットアップが典型的に取る形です。
ローカルの埋め込みモデルからembeddingを保存・クエリする
docker run -p 6333:6333 qdrant/qdrantを実行してローカルインスタンスを起動し、埋め込みモデルの出力次元に合わせたコレクションを作成し、Pythonクライアント（from qdrant_client import QdrantClient）を使って、ローカルの埋め込みモデル（例えばOllama経由で提供されるモデルやsentence-transformersモデル）が生成したベクトルを、後でフィルタリングに使うソースドキュメント・チャンクインデックス・任意のタグを含むペイロードとともにupsertします。
ペイロードフィルタと類似検索を組み合わせてRAGのretrievalを行う
ローカルLLMが自前のドキュメントに基づいた質問に答える必要がある場合、質問の埋め込みに最も近いベクトルを、document_type: "policy"や日付範囲などのペイロード条件でフィルタリングしてQdrantに問い合わせることで、コーパス全体を無差別に検索するのではなく、retrievalを関連ドキュメントに絞り込めます。
組み込みダッシュボードでコレクションを検査・デバッグする
ローカルDockerインストールでhttp://localhost:6333/dashboardのWebダッシュボードを開き、コレクションを閲覧し、個々のポイントとそのペイロードを表示し、アドホックなテストクエリを実行します。完全なRAGアプリケーションに組み込む前に、埋め込みパイプラインが実際にQdrantを正しく埋めているかを検証するのに役立ちます。
Qdrantをインストールする
Qdrantは、Docker・ダウンロード可能なバイナリ・Rustクレートのいずれかで無料でインストールでき、ソースコードはGitHubにあります。 以下のリンクはQdrant独自のドキュメントとGitHubリポジトリから取得したものです——正確なコマンドはリリース間で変わることがあるため、必ずそれらのページで直接確認してください。
提供元 | リンク |
|---|---|
| 公式サイトとドキュメント | qdrant.tech |
| GitHubリポジトリ（ソースコード、Apache-2.0） | github.com/qdrant/qdrant |
| Dockerイメージ | hub.docker.com/r/qdrant/qdrant — docker run -p 6333:6333 qdrant/qdrant |
| Pythonクライアント（PyPI） | pypi.org/project/qdrant-client — pip install qdrant-client |
| JavaScript/TypeScriptクライアント（npm） | npmjs.com/package/@qdrant/js-client-rest — npm install @qdrant/js-client-rest |
| Rustクレート | cargo add qdrant-client——クライアントドキュメントより |
| Qdrant Cloud（マネージド、任意） | cloud.qdrant.io |
Qdrantには GUIインストーラーがありません——Docker、バイナリ、あるいはソースからビルドしたサーバープロセスとして動作し、クライアントライブラリまたはWebダッシュボードから接続します。Qdrant自身が公表する固定のハードウェア最低要件はなく、必要なRAMとディスク容量はベクトル数・次元数・量子化の有無によって変わります。
Qdrantの料金：オープンソース vs. Qdrant Cloud
セルフホストのQdrantサーバーは無料で、オープンソースソフトウェア自体には有料プランがありません。 GitHubのLICENSEファイルはセルフホストのコードベース全体に適用され、標準的なApache License, Version 2.0です。同社が提供する別立ての管理ホスティング製品であるQdrant Cloudは独立して料金設定されており、Qdrantを使うために必須ではありません。
- セルフホストのQdrant：無料・オープンソース（Apache-2.0）、サブスクリプションなし、ソフトウェア自体による使用制限なし——唯一のコストは自前のインフラ（計算リソース、RAM、ディスク）
- オープンソースサーバーの運用にアカウントや登録は不要
- Qdrant CloudはAWS・GCP・Azure上で提供される別立ての任意の管理サービス。最新のプランと料金はqdrant.tech/pricingを直接確認すること。このレビューでは変わり得る料金の数字は再掲しない
- Qdrant Edgeは軽量なインプロセス実行版で、このレビュー時点ではベータ版だった——依存する前に、最新のライセンスと提供状況をqdrant.techで確認すること
Qdrant vs. Milvus
QdrantとMilvusは、比較的確立されたオープンソースかつセルフホスト可能なベクトルデータベースの代表格です。 両者とも、メタデータフィルタリング付きのプロダクションスケールの類似検索を狙っているため、よく比較されます。最も明確な違いは、実装言語、デプロイの複雑さ、そして各プロジェクがマネージドクラウドサービスをどう位置づけているかにあります。
項目 | Qdrant | |
|---|---|---|
| 実装言語 | Rust | GoとC++ |
| シングルノードデプロイ | Dockerコンテナ1つ（qdrant/qdrant） | Milvus Liteを使わない限り、通常はより多くの構成要素（etcd、オブジェクトストレージ）が必要 |
| 組み込みWebダッシュボード | あり、サーバーに同梱 | GUI管理用の別ツール（Attu） |
| ハイブリッド検索 | 密＋疎＋マルチベクトルを1クエリで | 独自のハイブリッド検索APIで対応 |
| ライセンス | Apache License 2.0 | Apache License 2.0 |
| マネージドクラウド | Qdrant Cloud（AWS/GCP/Azure） | Milvusの主要な商用支援企業が運営するZilliz Cloud |
最優先事項が、組み込みダッシュボード付きで可能な限りシンプルなシングルコンテナのセルフホスト構成であれば、多くのローカル・小規模チームの用途においてQdrantのデプロイフットプリントの方が軽量です。すでに大規模なKubernetesネイティブなインフラを運用している場合は、Milvusを直接評価してください——どちらも無料でApache-2.0のオープンソースであり、どちらも頻繁にアップデートを出すため、決める前に各プロジェクト自身のサイトで最新の機能詳細を確認してください。
Qdrantは誰に向いている？
Qdrantが合うかどうかは、よりシンプルな組み込み型やインメモリ型のオプションではなく、ペイロードフィルタリングとハイブリッド検索を備えた専用のセルフホスト型ベクトルデータベースが必要かどうかにかかっています。
こんな場合はQdrantを使う
- RAGパイプラインを構築しており、データがサーバーから一切出ない形で完全に自前のインフラ上で動作する専用のベクトルデータベースが必要
- ベクトル類似度に加えて、構造化されたメタデータ（ドキュメントタイプ、日付、タグ、権限）で検索結果をフィルタリングする必要がある
- 密な意味的埋め込みと疎なキーワード的ベクトルを1つのクエリで組み合わせるハイブリッド検索が欲しい
- 開発中にコレクションを検査するために、別途管理ツールを用意せずに済む組み込みWebダッシュボードが欲しい
- いずれ単一マシンでは足りなくなる見込みがあり、データベースを乗り換えずにシャーディング／レプリケーションを利用したい
こんな場合は様子を見るか、他を検討する
- データセットが十分小さく（数千ベクトル程度）、別サーバーを運用せずに組み込み型・インプロセスのオプションやよりシンプルなライブラリレベルのソリューションで足りる——組み込み型の代替としてtxtaiを参照
- 完全マネージドのベクトル検索APIが欲しく、データが自前のインフラを離れることを受け入れられる——Qdrant Cloudも選択肢の一つだが、他のマネージドプロバイダーとも直接比較すること
- ベクトルストレージ層だけでなく、完全なRAGフレームワーク（ドキュメントローダー、チャンキング、オーケストレーション）が必要——それらの機能をQdrant自体に期待するのではなく、その層にはLangChainやLlamaIndexと組み合わせること
- コミュニティサポートではなく、SLA付きの公式エンタープライズサポートが必要——Qdrantの無料プランのサポートチャネルはGitHub Issuesと Discordで、オープンソースプロジェクトとして典型的。エンタープライズサポートの条件は同社との別途の商談事項
Qdrant vs. 他のベクトルデータベース・RAGツール
Qdrantは、ベクトルデータベース・RAGインフラの分野における複数のツールの1つです。他の選択肢と比べた位置づけは以下のとおりです——完全なカタログはローカルLLMソフトウェアディレクトリを、最も近い一騎打ちについては上のQdrant vs. Milvus比較を参照してください。
- Milvus — GoとC++で構築された、大規模なプロダクションデプロイを狙う別のオープンソースかつセルフホスト可能なベクトルデータベース。詳細は上の専用比較セクションを参照。
- txtai — 別サーバーではなくインプロセスで動作する組み込み型のベクトル検索・RAGツールキット。小規模データセット向けのより軽量な選択肢。
- LangChain — それ自体はベクトルデータベースではないオーケストレーションフレームワークで、ドキュメントローダーやLLMと組み合わせてQdrantを完全なRAGパイプラインに組み込む際によく使われる。
- LlamaIndex — RAGパイプライン構築のためのLangChainの代替となるデータフレームワークで、独自のベクトルストアコネクタを通じてQdrantとの統合が可能。
- Haystack (deepset) — LangChainやLlamaIndexと同様にベクトルデータベース層の上に位置し、Qdrantをバッキングストアとして使えるRAG・検索フレームワーク。
- ベクトルデータベースの分野をより広く4つ横並びで見たい場合は、PromptQuorum独自のPinecone vs. Weaviate vs. Qdrant vs. Chroma比較も参照してください。
Qdrant評価時によくある間違い
Qdrantに関する混乱の多くは、完全なRAGフレームワークと混同すること、Qdrant Cloudとの関係を誤解すること、あるいは自ら埋め込みを生成すると思い込むことから生じています。
間違い1：Qdrantが埋め込みを生成すると期待する
Qdrantはベクトルを保存・検索しますが、テキスト自体を埋め込みに変換することはしません。Qdrantに送るベクトルを生成するには、別立ての埋め込みモデル（ローカルまたはクラウドホスト）が必要です。
間違い2：Qdrantの利用にQdrant Cloudが必須だと思い込む
Qdrant Cloudは別立ての任意の管理ホスティング製品です。オープンソースサーバーはDocker・バイナリ・Rustクレートのいずれかで完全にセルフホスト可能で、クラウドサービスへの依存はありません。
間違い3：Qdrantを完全なRAGフレームワークとして扱う
Qdrantはベクトルストレージと検索の層です。ドキュメント読み込み、チャンキング、プロンプトオーケストレーション、LLM呼び出しは、LangChain、LlamaIndex、Haystackなどの別立てのフレームワーク、あるいは自分で書いたコードが担います。
間違い4：量子化によるメモリ節約が一律に当てはまると思い込む
Qdrantのドキュメントでは、好条件下で量子化により最大約97%のメモリフットプリント削減が記述されていますが、実際の節約幅はベクトルの次元数、量子化手法、データ分布に大きく依存します——この数値が自分のデータセットに当てはまると想定せず、自分のワークロードでベンチマークしてください。
よくある質問
Qdrantとは何ですか？
Qdrant（qdrant.tech、ソースコードはgithub.com/qdrant/qdrant）は、Rustで書かれた無料・オープンソースのベクトルデータベース兼検索エンジンです。ベクトル埋め込みをJSONペイロードのメタデータとともに保存し、密・疎・ハイブリッドの類似検索に対応しています。
Qdrantは無料ですか？
はい。セルフホストのQdrantサーバーは無料・オープンソースでApache License 2.0、有料プランはありません。別立ての管理ホスティングサービスであるQdrant Cloudは独立して料金設定されています——利用する場合は最新の料金をqdrant.tech/pricingで確認してください。
Qdrantはオープンソースですか？どのライセンスを使っていますか？
はい。QdrantのGitHubのLICENSEファイルは標準的なApache License, Version 2.0で、セルフホストのコードベース全体に適用されます。
Qdrantはクラウド依存なしで完全にローカルで動作しますか？
はい。Qdrantは、Docker（docker run -p 6333:6333 qdrant/qdrant）、ダウンロード可能なバイナリ、Rustクレートのいずれかで完全にセルフホスト可能です。Qdrant Cloudは任意かつ別立てのもので、ソフトウェアの実行には不要です。
QdrantにはWebダッシュボードがありますか？
はい。Qdrantは、ローカルインストールでは通常http://localhost:6333/dashboardで利用できる組み込みWebダッシュボードを備えており、クライアントコードを書かずにコレクションの閲覧、ポイントの検査、テストクエリの実行ができます。
Qdrantはハイブリッド検索に対応していますか？
はい。Qdrantは独自のドキュメントによれば、密ベクトル（意味的）検索と疎ベクトル（キーワード的）検索、そしてマルチベクトル対応を1つのクエリで組み合わせることに対応しています。
Qdrantをローカルの埋め込みモデルと組み合わせるにはどうすればいいですか？
Qdrant自体は埋め込みを生成しません。ローカルの埋め込みモデル（例えばOllama経由や、Pythonのsentence-transformersモデル）を実行してテキストをベクトルに変換し、Qdrantの公式クライアント（Python、JavaScript/TypeScript、Go、Rust、.NET/C#、Java）のいずれかを使ってそのベクトルを保存・クエリします。
QdrantとQdrant Cloudの違いは何ですか？
Qdrantはオープンソースのベクトルデータベースソフトウェアで、どこでも無料でセルフホストできます。Qdrant Cloudは同社が提供する別立ての任意の管理ホスティング製品で、AWS・GCP・Azure上で運用され、オープンソースソフトウェアとは独立して料金設定されています。
QdrantはLangChainやLlamaIndexと統合できますか？
はい。LangChainとLlamaIndexはいずれもQdrant向けのベクトルストアコネクタを提供しており、どちらのフレームワークで構築したより大きなRAGパイプラインでも、retrievalのバックエンドとして利用できます。
Qdrantはどのプログラミング言語に対応していますか？
Qdrantは、Python、JavaScript/TypeScript、Go、Rust、.NET/C#、Java向けの公式クライアントライブラリに加え、どの言語からも直接呼び出せるREST APIとgRPC APIを提供しています——Qdrant独自のクライアントドキュメントより。