Qdrant 리뷰: RAG를 위한 셀프 호스팅 벡터 데이터베이스

Qdrant란 무엇인가?

• 핵심 기능: embedding 벡터와 임의의 JSON payload 메타데이터를 저장하고, 그 메타데이터로 필터링하며 빠른 근사 최근접 이웃(approximate nearest-neighbor) 검색을 수행하도록 설계된 데이터베이스
• 구현: 프로젝트 자체 저장소와 문서에 따르면 Rust로 작성되었습니다
• 접근 방식: REST API, gRPC API, 그리고 Python·JavaScript/TypeScript·Go·Rust·.NET/C#·Java용 공식 클라이언트 라이브러리(Kotlin과 PHP용 커뮤니티 클라이언트도 존재)
• 이 독자층이 관심 있어 할 인터페이스: curl/클라이언트 SDK를 통한 커맨드라인 사용, 공식 클라이언트를 통해 애플리케이션에 내장하는 라이브러리 사용, 코드를 작성하지 않고 컬렉션을 탐색할 수 있는 내장 웹 대시보드
• 배포 모델: Apache License 2.0 하에 완전히 셀프 호스팅 가능하며, 자체 클러스터를 운영하고 싶지 않은 팀을 위해 별도의 선택형 관리형 서비스인 Qdrant Cloud를 AWS·GCP·Azure에서 이용할 수 있습니다
• 표준 저장소: github.com/qdrant/qdrant — 프로젝트의 소스코드, issue 트래커, 릴리스 이력

Qdrant의 프로젝트 연혁

• GitHub 저장소(github.com/qdrant/qdrant)는 프로젝트의 소스코드와 릴리스 노트가 있는 표준적이고 적극적으로 관리되는 공간입니다
• 별도의 관리형 호스팅 제품인 Qdrant Cloud는 오픈소스 엔진과 함께 회사의 상업용 서비스로 도입되었습니다
• qdrant.tech에서 리소스가 제한된 환경을 위한 가볍고 인프로세스로 실행되는 데이터베이스 변형으로 소개되는 Qdrant Edge는 제품 라인에 비교적 최근 추가된 것으로, 이 리뷰 작성 시점에는 베타 단계였습니다

Qdrant로 무엇을 할 수 있는가?

• 밀집 벡터 검색(Dense-vector search) — 포인트마다 하나 이상의 밀집 embedding 벡터를 저장하고 그 위에서 근사 최근접 이웃 검색을 수행합니다. 의미 검색과 RAG retrieval의 핵심 워크로드입니다
• 희소 및 하이브리드 검색 — 단일 쿼리에서 밀집 embedding과 희소 벡터(키워드 방식의 표현)를 결합합니다. 순수한 의미적 유사도만으로는 사용자가 입력한 정확한 용어를 놓칠 때 유용합니다
• Payload 필터링 — 각 벡터에 임의의 JSON 메타데이터("payload")를 붙이고, 중첩 필드·텍스트 일치·지리 조건·필드 존재 여부 확인을 포함해 이를 기준으로 검색 결과를 필터링합니다
• 벡터 quantization — 스칼라(scalar), 프로덕트(product), 바이너리(binary) 양자화를 적용해 메모리 사용량을 줄입니다. Qdrant 자체 문서에 따르면 유리한 구성에서 최대 약 97%까지 줄일 수 있으나, 실제 결과는 벡터와 설정에 따라 달라집니다
• 멀티벡터 지원 — 포인트마다 여러 벡터(예: 문서 청크나 이미지 영역별로 하나씩)를 저장해 더 세밀한 관련성 스코어링을 가능하게 합니다
• 내장 웹 대시보드 — 로컬 설치에서 보통 http://localhost:6333/dashboard로 제공되는, 클라이언트 코드를 작성하지 않고도 컬렉션을 탐색하고 포인트를 검사하며 테스트 쿼리를 실행할 수 있는 시각적 인터페이스
• 분산 배포 — 셀프 호스팅 배포가 단일 머신을 넘어설 때 관련이 있는, 단일 노드를 넘어 확장하기 위한 샤딩과 복제
• 실시간 인덱싱 — Qdrant 문서에 따르면 새로 추가되거나 업데이트된 포인트는 인덱스를 완전히 재구축하지 않아도 검색 가능해집니다

로컬 RAG 파이프라인 활용 예시

Qdrant 설치하기

Qdrant 가격: 오픈소스 vs. Qdrant Cloud

• 셀프 호스팅 Qdrant: 무료·오픈소스(Apache-2.0)이며, 구독이나 소프트웨어 자체가 부과하는 사용 제한이 없습니다 — 유일한 비용은 여러분의 자체 인프라(컴퓨팅, RAM, 디스크)입니다
• 오픈소스 서버를 실행하는 데 계정이나 가입이 필요 없습니다
• Qdrant Cloud는 AWS·GCP·Azure에서 제공되는 별도의 선택형 관리형 서비스입니다. 최신 등급과 요금은 qdrant.tech/pricing에서 직접 확인하세요. 바뀔 수 있는 가격 수치를 이 리뷰에서는 다시 싣지 않습니다
• 가볍고 인프로세스로 실행되는 변형인 Qdrant Edge는 이 리뷰 작성 시점에 베타 단계였습니다 — 의존하기 전에 qdrant.tech에서 현재 라이선스와 가용성을 확인하세요

Qdrant vs. Milvus

디렉터리에서 비교→

Qdrant는 누구에게 적합한가?

Qdrant vs. 다른 벡터 데이터베이스 및 RAG 도구

• Milvus — Go와 C++로 구축된, 대규모 프로덕션 배포를 목표로 하는 또 다른 오픈소스 셀프 호스팅 벡터 데이터베이스입니다. 자세한 내용은 위의 전용 비교 섹션을 참고하세요.
• txtai — 별도 서버가 아닌 인프로세스로 실행되는 내장형 벡터 검색 및 RAG 툴킷으로, 더 작은 데이터셋을 위한 더 가벼운 옵션입니다.
• LangChain — 그 자체는 벡터 데이터베이스가 아닌 오케스트레이션 프레임워크로, 문서 로더 및 LLM과 함께 Qdrant를 완전한 RAG 파이프라인에 연결하는 데 흔히 사용됩니다.
• LlamaIndex — RAG 파이프라인을 구축하기 위한 LangChain의 대안 데이터 프레임워크로, 자체 vector store 커넥터를 통해 Qdrant와 통합할 수 있습니다.
• Haystack(deepset) — LangChain, LlamaIndex와 마찬가지로 벡터 데이터베이스 계층 위에 위치하며 Qdrant를 백엔드 스토어로 사용할 수 있는 RAG 및 검색 프레임워크입니다.
• Qdrant와 Milvus 외에 더 폭넓게 살펴보고 싶다면 PromptQuorum 자체의 Pinecone vs. Weaviate vs. Qdrant vs. Chroma 비교도 참고하세요.

디렉터리에서 비교→

Qdrant 평가 시 흔한 실수

자주 묻는 질문

출처

관련 읽을거리

• 로컬 LLM 소프트웨어 디렉터리 2026 — 이 글이 속한 로컬 AI 도구 전체 카탈로그로, 위에서 다룬 다른 벡터 데이터베이스 및 RAG 도구와 함께 Qdrant의 디렉터리 항목도 포함합니다.
• Pinecone vs. Weaviate vs. Qdrant vs. Chroma — Qdrant와 Milvus 이상을 평가하고 있다면 참고할 만한, 더 폭넓은 4자 비교 벡터 데이터베이스 자료.
• LangChain 리뷰 — 완전한 RAG 파이프라인을 구축할 때 Qdrant와 가장 흔히 결합되는 오케스트레이션 프레임워크.
• LlamaIndex RAG 프레임워크 리뷰 — LangChain의 대안 데이터 프레임워크로, Qdrant를 vector store로 사용하는 것도 지원합니다.
• 엔터프라이즈 RAG 벡터 데이터베이스 배포 가이드 — 프로덕션 RAG 시스템에서 Qdrant 같은 벡터 데이터베이스를 배포하는 방법을 더 깊이 다룬 자료.