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.
Armazenar e consultar embeddings de um modelo de embedding local
Execute docker run -p 6333:6333 qdrant/qdrant para iniciar uma instância local, crie uma coleção dimensionada para a saída do seu modelo de embedding, e use o cliente Python (from qdrant_client import QdrantClient) para fazer upsert de vetores produzidos por um modelo de embedding local — por exemplo, um servido através do Ollama ou um modelo sentence-transformers — junto com um payload contendo o documento de origem, o índice do trecho e quaisquer tags pelas quais você queira filtrar depois.
Combinar filtros de payload com busca de similaridade para retrieval em RAG
Quando seu LLM local precisa responder a uma pergunta ancorada nos seus próprios documentos, consulte o Qdrant pelos vetores mais próximos ao embedding da pergunta, filtrados por condições de payload como document_type: "policy" ou um intervalo de datas, para que o retrieval fique restrito a documentos relevantes em vez de buscar em todo o seu corpus indiscriminadamente.
Inspecionar e depurar coleções no painel integrado
Abra o painel web em http://localhost:6333/dashboard em uma instalação Docker local para navegar pelas coleções, visualizar pontos individuais e seus payloads, e executar consultas de teste ad hoc — útil para verificar se seu pipeline de embedding está realmente preenchendo o Qdrant corretamente antes de integrá-lo a uma aplicação RAG completa.
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 | |
|---|---|---|
| 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.
Use o Qdrant se
- Você está construindo um pipeline RAG e precisa de um banco de dados vetorial dedicado que rode inteiramente na sua própria infraestrutura, sem que nenhum dado saia dos seus servidores
- Você precisa filtrar resultados de busca por metadados estruturados (tipo de documento, data, tags, permissões) além da similaridade vetorial
- Você quer busca híbrida que combine embeddings semânticos densos com vetores esparsos do tipo palavra-chave em uma única consulta
- Você quer um painel web integrado para inspecionar coleções durante o desenvolvimento, sem montar uma ferramenta de administração separada
- Você espera ultrapassar uma única máquina eventualmente e quer ter sharding/replicação disponíveis sem trocar de banco de dados
Espere, ou procure outra opção, se
- Seu conjunto de dados é pequeno o suficiente (alguns milhares de vetores) para que uma opção embutida, executada em processo, ou uma solução mais simples em nível de biblioteca atenda suas necessidades sem rodar um servidor separado — veja o txtai como alternativa embutida
- Você quer uma API de busca vetorial totalmente gerenciada e está confortável com seus dados saindo da sua própria infraestrutura — o Qdrant Cloud é uma opção, mas avalie-o diretamente contra outros provedores gerenciados
- Você precisa de um framework RAG completo (carregadores de documentos, chunking, orquestração) em vez de apenas a camada de armazenamento vetorial — combine o Qdrant com LangChain ou LlamaIndex para essa camada, em vez de esperar que o próprio Qdrant a forneça
- Você precisa de suporte empresarial oficial com SLA em vez de suporte da comunidade — os canais de suporte do nível gratuito do Qdrant são GitHub Issues e Discord, típicos de um projeto open source; condições de suporte empresarial são uma conversa comercial separada com a empresa
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.
Erro 1: esperar que o Qdrant gere embeddings
O Qdrant armazena e busca vetores — ele não transforma texto em embeddings por conta própria. Você precisa de um modelo de embedding separado (local ou hospedado na nuvem) para produzir os vetores que envia ao Qdrant.
Erro 2: supor que o Qdrant Cloud é necessário para usar o Qdrant
O Qdrant Cloud é um produto de hospedagem gerenciada separado e opcional. O servidor open source é totalmente auto-hospedável via Docker, um binário ou o crate Rust, sem dependência da oferta de nuvem.
Erro 3: tratar o Qdrant como um framework RAG completo
O Qdrant é a camada de armazenamento e busca vetorial. O carregamento de documentos, o chunking, a orquestração de prompts e as chamadas ao LLM são tratados por um framework separado, como LangChain, LlamaIndex ou Haystack, ou por código que você mesmo escreve.
Erro 4: supor que a economia de memória da quantização se aplica de forma uniforme
A documentação do Qdrant descreve reduções na ocupação de memória de até cerca de 97% por meio de quantização em configurações favoráveis, mas a economia real depende fortemente da dimensionalidade dos seus vetores, do método de quantização e da distribuição dos dados — faça benchmark da sua própria carga de trabalho em vez de supor que esse número se aplica ao seu conjunto de dados.
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.