Principais conclusões
- O Qdrant é gratuito e de código aberto sob a Apache License 2.0 — o servidor auto-hospedado não tem nenhum nível pago
- Escrito em Rust; roda via Docker (
docker run -p 6333:6333 qdrant/qdrant), um binário para baixar ou o crate Rust - Bibliotecas cliente oficiais: Python (
pip install qdrant-client), JavaScript/TypeScript (npm install @qdrant/js-client-rest), Go, Rust, .NET/C# e Java, segundo a própria documentação de clientes do Qdrant - Suporta busca vetorial densa, esparsa e híbrida, além de filtragem de payload baseada em JSON (campos aninhados, texto, condições geográficas e de existência)
- Traz um painel web integrado para navegar pelas coleções e executar consultas de teste, normalmente acessível em
http://localhost:6333/dashboardem uma instalação local - Suporta quantização vetorial; a própria documentação do Qdrant descreve reduções na ocupação de memória de até cerca de 97% em configurações favoráveis — a economia real depende dos seus dados e do método de quantização, então faça benchmark da sua própria carga de trabalho em vez de assumir que esse número se aplica universalmente
- O repositório no GitHub (github.com/qdrant/qdrant) mostra cerca de 34.655 estrelas em setembro de 2026
- O Qdrant Cloud é uma oferta de hospedagem gerenciada separada e opcional na AWS, GCP ou Azure da mesma empresa — não é necessária para usar o software open source
📍 Em uma frase
O Qdrant é um banco de dados vetorial e mecanismo de busca gratuito e de código aberto (Apache-2.0), escrito em Rust, que você pode auto-hospedar via Docker, com painel web integrado e sem nenhum custo além da sua própria infraestrutura.
💬 Em termos simples
Em vez de pagar por uma API de busca vetorial hospedada, você mesmo executa o Qdrant em um contêiner Docker, e ele armazena os vetores numéricos de "embedding" que representam seus documentos — junto com quaisquer tags ou metadados que você anexar —, para que seu LLM local encontre rapidamente os trechos de texto mais relevantes para responder a uma pergunta.
📌Nota: Esta review é o complemento aprofundado da entrada do Qdrant no diretório de software de LLM local — veja essa página para comparar rapidamente o Qdrant com dezenas de outras ferramentas de IA local.
O que é o Qdrant?
O Qdrant é um banco de dados vetorial e mecanismo de busca por similaridade que armazena vetores de embedding de alta dimensão junto com metadados JSON estruturados, chamados de "payload", e permite buscar em ambos ao mesmo tempo. Sua própria descrição no GitHub o posiciona como um "vector similarity search engine and vector database" com API REST e gRPC, construído especificamente para armazenar, buscar e gerenciar vetores junto com dados de payload para matching semântico, busca facetada e outras aplicações que precisam comparar embeddings.
- Função principal: um banco de dados criado para armazenar vetores de embedding mais metadados JSON arbitrários, e executar buscas rápidas de vizinho mais próximo aproximado sobre eles, filtradas por esses metadados
- Implementação: escrito em Rust, segundo o próprio repositório e a documentação do projeto
- Métodos de acesso: uma API REST, uma API gRPC, e bibliotecas cliente oficiais para Python, JavaScript/TypeScript, Go, Rust, .NET/C# e Java (existem clientes da comunidade para Kotlin e PHP)
- Interfaces relevantes para este público: uso via linha de comando com
curl/SDKs de cliente, uso como biblioteca embutida em uma aplicação (por meio de qualquer um dos clientes oficiais), e um painel web integrado para navegar pelas coleções sem escrever código - Modelo de implantação: totalmente auto-hospedável sob a Apache License 2.0, com o Qdrant Cloud disponível como uma oferta gerenciada separada e opcional na AWS, GCP ou Azure para equipes que não querem operar seu próprio cluster
- Repositório canônico: github.com/qdrant/qdrant — o código-fonte, o rastreador de issues e o histórico de releases do projeto
A história do projeto Qdrant
O Qdrant é desenvolvido pela Qdrant, a empresa por trás do projeto open source e do site qdrant.tech, e o código está público no GitHub há vários anos, chegando a cerca de 34.655 estrelas e uma base ativa de contribuidores em setembro de 2026. O projeto expandiu de um mecanismo de busca vetorial de nó único para uma plataforma que também oferece suporte a implantação distribuída (sharding e replicação), quantização vetorial para reduzir o uso de memória, busca híbrida densa/esparsa, e uma variante mais leve, executada em processo, chamada Qdrant Edge.
- O repositório no GitHub (github.com/qdrant/qdrant) é o lar canônico e ativamente mantido do código-fonte e das notas de versão do projeto
- O Qdrant Cloud, um produto de hospedagem gerenciada separado, foi introduzido junto com o mecanismo open source como a oferta comercial da empresa
- O Qdrant Edge, descrito em qdrant.tech como uma variante leve, executada em processo, do banco de dados para ambientes com recursos limitados, é uma adição mais recente à linha de produtos e estava em beta no momento desta review
O que você pode fazer com o Qdrant?
O conjunto de funcionalidades do Qdrant é centrado em armazenar e buscar embeddings vetoriais em escala, com filtragem de metadados e vários modos de busca sobrepostos. Veja o que cada parte realmente faz, segundo a própria documentação e o README no GitHub do Qdrant.
- Busca vetorial densa — armazene um ou mais vetores de embedding densos por ponto e execute busca de vizinho mais próximo aproximado sobre eles, a carga de trabalho principal por trás da busca semântica e do retrieval em RAG
- Busca esparsa e híbrida — combine embeddings densos com vetores esparsos (uma representação tipo palavra-chave) em uma única consulta, útil quando a similaridade semântica pura perde termos exatos que um usuário digitou
- Filtragem de payload — anexe metadados JSON arbitrários a cada vetor (um "payload") e filtre os resultados de busca por eles, incluindo campos aninhados, correspondências de texto, condições geográficas e verificações de existência de campo
- Quantização vetorial — aplique quantização escalar, de produto ou binária para reduzir a ocupação de memória; a própria documentação do Qdrant descreve reduções de até cerca de 97% em configurações favoráveis, embora os resultados reais dependam dos seus vetores e da configuração
- Suporte a múltiplos vetores (multivector) — armazene vários vetores por ponto (por exemplo, um por trecho de documento ou região de imagem) para uma pontuação de relevância mais granular
- Painel web integrado — uma interface visual para navegar pelas coleções, inspecionar pontos e executar consultas de teste, normalmente servida em
http://localhost:6333/dashboardem uma instalação local, sem escrever código de cliente - Implantação distribuída — sharding e replicação para escalar além de um único nó, relevante quando uma implantação auto-hospedada ultrapassa uma única máquina
- Indexação em tempo real — pontos novos e atualizados ficam pesquisáveis sem uma reconstrução completa do índice, segundo a documentação do Qdrant
Exemplos de uso em um pipeline RAG local
Estes são workflows concretos construídos a partir das funcionalidades documentadas do Qdrant acima — a forma que uma configuração RAG auto-hospedada, combinando modelo de embedding e banco de dados vetorial, costuma assumir.
Instalar o Qdrant
O Qdrant é instalado gratuitamente via Docker, um binário para baixar ou o crate Rust, e seu código-fonte está no GitHub. Os links abaixo vêm da própria documentação e do repositório no GitHub do Qdrant — sempre confirme diretamente nessas páginas, já que os comandos exatos podem mudar entre releases.
Fonte | Link |
|---|---|
| Site oficial e documentação | qdrant.tech |
| Repositório no GitHub (código-fonte, Apache-2.0) | github.com/qdrant/qdrant |
| Imagem 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 Rust | cargo add qdrant-client, segundo a documentação de clientes |
| Qdrant Cloud (gerenciado, opcional) | cloud.qdrant.io |
O Qdrant não tem instalador gráfico — ele roda como um processo de servidor (via Docker, um binário ou compilado a partir do código-fonte) ao qual você se conecta com uma biblioteca cliente ou o painel web. Não há um mínimo de hardware fixo publicado pelo próprio Qdrant; a RAM e o disco necessários variam de acordo com o número de vetores, sua dimensionalidade e o uso ou não de quantização.
Preços do Qdrant: open source vs. Qdrant Cloud
O servidor Qdrant auto-hospedado é gratuito, sem nenhum nível pago para o software open source em si. O arquivo LICENSE do GitHub se aplica a todo o código auto-hospedado e corresponde à Apache License, Version 2.0 padrão. O Qdrant Cloud, um produto de hospedagem gerenciada separado da mesma empresa, tem preço independente e não é necessário para usar o Qdrant de forma alguma.
- Qdrant auto-hospedado: gratuito e de código aberto (Apache-2.0), sem assinatura, sem limites de uso impostos pelo próprio software — seu único custo é sua própria infraestrutura (processamento, RAM, disco)
- Nenhuma conta ou cadastro é necessário para rodar o servidor open source
- O Qdrant Cloud é uma oferta gerenciada separada e opcional na AWS, GCP ou Azure; confira qdrant.tech/pricing diretamente para níveis e valores atuais, já que esta review não reproduz números de preço que podem mudar
- O Qdrant Edge, uma variante leve executada em processo, estava em beta no momento desta review — verifique o licenciamento e a disponibilidade atuais em qdrant.tech antes de depender dele
Qdrant vs. Milvus
O Qdrant e o Milvus estão entre os bancos de dados vetoriais open source e auto-hospedáveis mais consolidados, e costumam ser comparados porque ambos visam busca de similaridade em escala de produção com filtragem de metadados. As diferenças mais claras estão na linguagem de implementação, na complexidade de implantação, e em como cada projeto posiciona sua oferta de nuvem gerenciada.
Aspecto | Qdrant | Milvus |
|---|---|---|
| Linguagem de implementação | Rust | Go e C++ |
| Implantação em nó único | Um único contêiner Docker (qdrant/qdrant) | Geralmente mais componentes móveis (etcd, armazenamento de objetos), exceto com a variante Milvus Lite |
| Painel web integrado | Sim, incluído no servidor | Ferramenta separada (Attu) para gerenciamento via GUI |
| Busca híbrida | Densa + esparsa + multivetor em uma única consulta | Suportada via suas próprias APIs de busca híbrida |
| Licença | Apache License 2.0 | Apache License 2.0 |
| Nuvem gerenciada | Qdrant Cloud (AWS/GCP/Azure) | Zilliz Cloud, operada pelo principal patrocinador comercial do Milvus |
Se sua prioridade é a configuração auto-hospedada de contêiner único mais simples possível, com painel integrado, a pegada de implantação do Qdrant é mais leve para a maioria dos casos de uso locais e de equipes pequenas. Se você já opera infraestrutura nativa em Kubernetes em maior escala, avalie o Milvus diretamente — ambos são gratuitos e de código aberto sob Apache-2.0, e ambos lançam atualizações com frequência, então verifique os detalhes de funcionalidades atuais no site de cada projeto antes de decidir.
Quem deveria usar o Qdrant?
Se o Qdrant é adequado para você depende de você precisar ou não de um banco de dados vetorial dedicado e auto-hospedável, com filtragem de payload e busca híbrida, em vez de uma opção embutida ou em memória mais simples.
Qdrant vs. outros bancos de dados vetoriais e ferramentas de RAG
O Qdrant é uma entre várias ferramentas no espaço de bancos de dados vetoriais e infraestrutura de RAG. Veja como ele se posiciona em relação a outras opções — confira o diretório de software de LLM local para o catálogo completo, e a comparação dedicada Qdrant vs. Milvus acima para o confronto mais direto.
- Milvus — outro banco de dados vetorial open source e auto-hospedável, construído em Go e C++, voltado para implantações de produção em grande escala; veja a seção de comparação dedicada acima.
- txtai — um kit de busca vetorial e RAG embutido que roda em processo em vez de como servidor separado, uma opção mais leve para conjuntos de dados menores.
- LangChain — um framework de orquestração, não um banco de dados vetorial em si, comumente usado para integrar o Qdrant a um pipeline RAG completo junto com carregadores de documentos e um LLM.
- LlamaIndex — uma alternativa de framework de dados ao LangChain para construir pipelines RAG, com integração ao Qdrant disponível por meio de seus próprios conectores de vector store.
- Haystack (deepset) — um framework de RAG e busca que, assim como LangChain e LlamaIndex, fica acima da camada de banco de dados vetorial e pode usar o Qdrant como armazenamento de backend.
- Veja também a própria comparação Pinecone vs. Weaviate vs. Qdrant vs. Chroma da PromptQuorum para um olhar mais amplo, com quatro opções lado a lado, sobre o cenário de bancos de dados vetoriais.
Erros comuns ao avaliar o Qdrant
A maior parte da confusão em torno do Qdrant vem de confundi-lo com um framework RAG completo, entender mal sua relação com o Qdrant Cloud, ou supor que ele gera embeddings por conta própria.
Perguntas frequentes
O que é o Qdrant?
O Qdrant (qdrant.tech, código-fonte em github.com/qdrant/qdrant) é um banco de dados vetorial e mecanismo de busca gratuito e de código aberto, escrito em Rust. Ele armazena vetores de embedding junto com metadados JSON (payload) e suporta busca de similaridade densa, esparsa e híbrida.
O Qdrant é gratuito?
Sim, o servidor Qdrant auto-hospedado é gratuito e de código aberto sob a Apache License 2.0, sem nenhum nível pago. O Qdrant Cloud, uma oferta de hospedagem gerenciada separada, tem preço independente — confira qdrant.tech/pricing para valores atuais se você escolher esse caminho.
O Qdrant é de código aberto? Qual licença ele usa?
Sim. O arquivo LICENSE do GitHub do Qdrant é a Apache License, Version 2.0 padrão, aplicável a todo o código auto-hospedado.
O Qdrant pode rodar totalmente em local, sem dependência de nuvem?
Sim. O Qdrant é totalmente auto-hospedável via Docker (docker run -p 6333:6333 qdrant/qdrant), um binário para baixar ou o crate Rust. O Qdrant Cloud é opcional e separado — não é necessário para rodar o software.
O Qdrant tem um painel web?
Sim. O Qdrant traz um painel web integrado, normalmente acessível em http://localhost:6333/dashboard em uma instalação local, para navegar pelas coleções, inspecionar pontos e executar consultas de teste sem escrever código de cliente.
O Qdrant suporta busca híbrida?
Sim. Segundo sua própria documentação, o Qdrant suporta combinar busca vetorial densa (semântica) com busca esparsa (tipo palavra-chave) e suporte a multivetores em uma única consulta.
Como faço para combinar o Qdrant com um modelo de embedding local?
O Qdrant não gera embeddings por conta própria. Rode um modelo de embedding local (por exemplo, via Ollama ou um modelo sentence-transformers em Python) para transformar seu texto em vetores, e depois use um dos clientes oficiais do Qdrant (Python, JavaScript/TypeScript, Go, Rust, .NET/C# ou Java) para armazenar e consultar esses vetores.
Qual é a diferença entre o Qdrant e o Qdrant Cloud?
O Qdrant é o software de banco de dados vetorial open source, gratuito para auto-hospedar em qualquer lugar. O Qdrant Cloud é um produto de hospedagem gerenciada separado e opcional da mesma empresa, operado na AWS, GCP ou Azure, com preço independente do software open source.
O Qdrant se integra com LangChain ou LlamaIndex?
Sim. Tanto o LangChain quanto o LlamaIndex oferecem conectores de vector store para o Qdrant, permitindo usá-lo como backend de retrieval em um pipeline RAG maior construído com qualquer um dos dois frameworks.
Quais linguagens de programação o Qdrant suporta?
O Qdrant oferece bibliotecas cliente oficiais para Python, JavaScript/TypeScript, Go, Rust, .NET/C# e Java, além de uma API REST e uma API gRPC que qualquer linguagem pode chamar diretamente, segundo a própria documentação de clientes do Qdrant.