Qdrant是什么？
Qdrant是一款向量数据库与相似度搜索引擎，将高维embedding向量与称为"payload"的结构化JSON元数据一起存储，并可同时对两者进行搜索。 其自身的GitHub描述将其定位为具有REST和gRPC API的"vector similarity search engine and vector database"，专为存储、搜索和管理向量及其payload数据而构建，用于语义匹配、分面搜索以及其他需要比较embedding的应用。
- 核心功能：一个专为存储embedding向量及任意JSON payload元数据而构建的数据库，可根据该元数据进行过滤，并执行快速的近似最近邻搜索
- 实现方式：根据项目自己的仓库和文档，使用Rust编写
- 访问方式：REST API、gRPC API，以及Python、JavaScript/TypeScript、Go、Rust、.NET/C#和Java的官方客户端库（社区还为Kotlin和PHP提供了客户端）
- 与这类用户相关的接口：通过
curl/客户端SDK进行命令行使用、通过任一官方客户端嵌入应用中的库使用，以及无需编写代码即可浏览集合的内置Web控制台 - 部署模式：在Apache License 2.0下完全可自托管，对于不想运维自己集群的团队，也可使用独立、可选的托管服务Qdrant Cloud（AWS、GCP或Azure）
- 规范仓库：github.com/qdrant/qdrant——该项目的源代码、issue跟踪器和发布历史
Qdrant的项目历史
Qdrant由Qdrant公司开发，该公司是这个开源项目及其qdrant.tech网站的背后团队。代码库已在GitHub上公开多年，截至2026年9月已增长到约34,655颗星，并拥有活跃的贡献者群体。该项目已从单节点的向量搜索引擎扩展为一个平台，还支持分布式部署（分片与副本）、用于降低内存占用的向量量化、密集/稀疏混合搜索，以及一个名为Qdrant Edge的更轻量、进程内运行的变体。
- GitHub仓库（github.com/qdrant/qdrant）是该项目源代码和发布说明的规范、持续维护的所在地
- Qdrant Cloud这一独立托管产品是与开源引擎一同推出的，作为该公司的商业化产品
- Qdrant Edge在qdrant.tech上被描述为面向资源受限环境的轻量级、进程内运行的数据库变体，是产品线中较新的补充，在本文撰写时仍处于测试版
Qdrant能做什么？
Qdrant的功能集以大规模存储和搜索向量embedding为核心，并在此之上叠加了元数据过滤和多种搜索模式。根据Qdrant自己的文档和GitHub README，以下是各部分的实际作用。
- 稠密向量搜索 — 为每个point存储一个或多个稠密embedding向量，并对其执行近似最近邻搜索，这是语义搜索和RAG检索背后的核心工作负载
- 稀疏向量与混合搜索 — 在单次查询中将稠密embedding与稀疏向量（一种类似关键词的表示）结合，当纯语义相似度会漏掉用户输入的确切词语时非常有用
- Payload过滤 — 为每个向量附加任意JSON元数据（即"payload"），并据此过滤搜索结果，包括嵌套字段、文本匹配、地理条件和字段存在性检查
- 向量量化 — 应用标量、乘积或二值量化以降低内存占用；Qdrant自己的文档表示，在有利的配置下最多可降低约97%，但实际效果取决于你的向量和配置
- 多向量支持 — 为每个point存储多个向量（例如每个文档分块或图像区域一个），实现更细粒度的相关性评分
- 内置Web控制台 — 一个可视化界面，用于浏览集合、检查point并运行测试查询，本地安装通常可通过
http://localhost:6333/dashboard访问，无需编写任何客户端代码 - 分布式部署 — 通过分片和副本实现超出单节点的扩展，当自托管部署超出单机规模时会用到
- 实时索引 — 根据Qdrant文档，新增和更新的point无需完整重建索引即可被搜索到
本地RAG流水线中的使用示例
以下是基于上文所述Qdrant已记录功能构建的具体工作流——这是自托管的"embedding模型+向量数据库"式RAG搭建通常采用的形态。
从本地embedding模型存储并查询embedding
运行docker run -p 6333:6333 qdrant/qdrant启动本地实例，创建一个与你embedding模型输出维度相匹配的集合，然后使用Python客户端（from qdrant_client import QdrantClient）upsert由本地embedding模型（例如通过Ollama提供的模型或sentence-transformers模型）生成的向量，并附带包含源文档、分块索引以及你之后想用来过滤的任何标签的payload。
将payload过滤与相似度搜索结合用于RAG检索
当你的本地LLM需要回答一个基于你自己文档的问题时，向Qdrant查询与该问题embedding最接近的向量，并按document_type: "policy"或日期范围等payload条件进行过滤，使检索限定在相关文档范围内，而不是无差别地搜索整个语料库。
在内置控制台中检查与调试集合
在本地Docker安装中打开http://localhost:6333/dashboard的Web控制台，浏览集合、查看单个point及其payload，并运行临时测试查询——这有助于在将其接入完整的RAG应用之前，验证你的embedding流水线是否确实正确地填充了Qdrant。
安装Qdrant
Qdrant可通过Docker、可下载的二进制文件或Rust crate免费安装，其源代码托管在GitHub上。 以下链接来自Qdrant自己的文档和GitHub仓库——由于确切的命令可能在不同版本间变化，请始终以这些页面为准直接核实。
来源 | 链接 |
|---|---|
| 官方网站与文档 | qdrant.tech |
| GitHub仓库（源代码，Apache-2.0） | github.com/qdrant/qdrant |
| Docker镜像 | hub.docker.com/r/qdrant/qdrant — docker run -p 6333:6333 qdrant/qdrant |
| Python客户端（PyPI） | pypi.org/project/qdrant-client — pip install qdrant-client |
| JavaScript/TypeScript客户端（npm） | npmjs.com/package/@qdrant/js-client-rest — npm install @qdrant/js-client-rest |
| Rust crate | cargo add qdrant-client，见客户端文档 |
| Qdrant Cloud（托管，可选） | cloud.qdrant.io |
Qdrant没有图形化安装程序——它以服务器进程的形式运行（通过Docker、二进制文件或从源代码构建），你通过客户端库或Web控制台连接到它。Qdrant自身没有公布固定的硬件最低要求；所需的内存和磁盘空间随向量数量、维度以及是否使用量化而变化。
Qdrant定价：开源版 vs. Qdrant Cloud
自托管的Qdrant服务器是免费的，开源软件本身没有付费层级。 GitHub LICENSE文件适用于整个自托管代码库，是标准的Apache License, Version 2.0。Qdrant Cloud是同一家公司提供的独立托管产品，单独计费，使用Qdrant完全不需要它。
- 自托管Qdrant：免费开源（Apache-2.0），无订阅费，软件本身不设使用限制——唯一的成本是你自己的基础设施（计算、内存、磁盘）
- 运行开源服务器无需账户或注册
- Qdrant Cloud是在AWS、GCP或Azure上提供的独立、可选托管服务；最新的层级和费率请直接查看qdrant.tech/pricing，本文不重复可能变动的价格数字
- Qdrant Edge是一款轻量级进程内运行的变体，本文撰写时仍处于测试版——在依赖它之前，请在qdrant.tech上核实其当前的许可和可用性
Qdrant vs. Milvus
Qdrant和Milvus是两个较为成熟的开源、可自托管向量数据库，它们经常被拿来比较，因为两者都瞄准生产级规模的相似度搜索并支持元数据过滤。最明显的区别在于实现语言、部署复杂度，以及各自如何定位其托管云服务。
方面 | Qdrant | |
|---|---|---|
| 实现语言 | Rust | Go和C++ |
| 单节点部署 | 单个Docker容器（qdrant/qdrant） | 除非使用Milvus Lite变体，否则通常需要更多组件（etcd、对象存储） |
| 内置Web控制台 | 有，随服务器一同提供 | 需要单独的工具（Attu）进行GUI管理 |
| 混合搜索 | 在单次查询中支持稠密+稀疏+多向量 | 通过自己的混合搜索API支持 |
| 许可证 | Apache License 2.0 | Apache License 2.0 |
| 托管云服务 | Qdrant Cloud（AWS/GCP/Azure） | Zilliz Cloud，由Milvus的主要商业支持方运营 |
如果你的首要目标是尽可能简单的单容器自托管方案并内置控制台，那么对大多数本地和小团队场景而言，Qdrant的部署足迹更轻量。如果你已经在更大规模上运维基于Kubernetes的原生基础设施，请直接评估Milvus——两者都是免费开源的Apache-2.0软件，且都频繁发布更新，因此在决定之前请在各自的官方网站上核实最新的功能细节。
谁适合使用Qdrant？
Qdrant是否适合你，取决于你是否需要一个具备payload过滤和混合搜索能力的专用、可自托管向量数据库，而不是更简单的嵌入式或内存中选项。
以下情况适合使用Qdrant
- 你正在构建RAG流水线，需要一个完全运行在自己基础设施上、数据不离开服务器的专用向量数据库
- 你需要在向量相似度之外，按结构化元数据（文档类型、日期、标签、权限）过滤搜索结果
- 你想要在单次查询中结合稠密语义embedding与稀疏关键词式向量的混合搜索
- 你想要一个内置Web控制台，在开发过程中检查集合，而无需搭建单独的管理工具
- 你预计最终会超出单机规模，希望在不更换数据库的情况下就能使用分片/副本
以下情况请再等等，或另寻他选
- 你的数据集足够小（数千个向量），一个嵌入式、进程内运行的选项或更简单的库级方案就能满足需求，无需运行独立服务器——嵌入式替代方案可参见txtai
- 你想要完全托管的向量搜索API，并且能接受数据离开自己的基础设施——Qdrant Cloud是一个选项，但请直接与其他托管服务商进行比较
- 你需要一个完整的RAG框架（文档加载器、分块、编排），而不只是向量存储层——将Qdrant与LangChain或LlamaIndex搭配使用来实现这一层，而不是期望Qdrant本身提供
- 你需要带SLA的官方企业支持，而不是社区支持——Qdrant免费层的支持渠道是GitHub Issues和Discord，这是开源项目的典型做法；企业支持条款需与该公司单独进行商业洽谈
Qdrant vs. 其他向量数据库和RAG工具
Qdrant是向量数据库和RAG基础设施领域众多工具之一。以下是它与其他选项相比的定位——完整目录请见本地LLM软件目录，最接近的正面对比请见上文的Qdrant vs. Milvus对比。
- Milvus — 另一款用Go和C++构建的开源、可自托管向量数据库，面向大规模生产部署；详见上文的专门对比部分。
- txtai — 一款以进程内方式运行、而非作为独立服务器运行的嵌入式向量搜索与RAG工具包，是面向较小数据集的更轻量选项。
- LangChain — 一个编排框架，本身并非向量数据库，常用于将Qdrant与文档加载器及LLM一起接入完整的RAG流水线。
- LlamaIndex — 构建RAG流水线时可替代LangChain的数据框架，通过其自有的向量存储连接器可与Qdrant集成。
- Haystack（deepset） — 一款与LangChain和LlamaIndex类似、位于向量数据库层之上的RAG与搜索框架，可将Qdrant用作后端存储。
- 另见PromptQuorum自己的Pinecone vs. Weaviate vs. Qdrant vs. Chroma对比，从更广的四方视角审视向量数据库格局。
评估Qdrant时的常见误区
关于Qdrant的大多数困惑，都源于将它与完整的RAG框架混为一谈、误解它与Qdrant Cloud的关系，或者假设它自己会生成embedding。
误区1：期望Qdrant生成embedding
Qdrant存储和搜索向量——它本身不会将文本转换为embedding。你需要一个独立的embedding模型（本地或云端托管）来生成发送给Qdrant的向量。
误区2：认为使用Qdrant必须依赖Qdrant Cloud
Qdrant Cloud是一款独立、可选的托管产品。开源服务器可通过Docker、二进制文件或Rust crate完全自托管，不依赖云服务。
误区3：把Qdrant当作完整的RAG框架
Qdrant是向量存储与搜索层。文档加载、分块、提示编排和LLM调用由LangChain、LlamaIndex或Haystack等独立框架处理，或者由你自己编写的代码处理。
误区4：假设量化带来的内存节省是统一适用的
Qdrant的文档表示，在有利的配置下量化最多可降低约97%的内存占用，但实际节省效果在很大程度上取决于你的向量维度、量化方法和数据分布——应对自己的工作负载进行基准测试，而不是假设这一数字适用于你的数据集。
常见问题
Qdrant是什么？
Qdrant（qdrant.tech，源码见github.com/qdrant/qdrant）是一款免费、开源的向量数据库与搜索引擎，用Rust编写。它将向量embedding与JSON payload元数据一起存储，支持稠密、稀疏和混合相似度搜索。
Qdrant是免费的吗？
是的，自托管的Qdrant服务器免费开源，采用Apache License 2.0，没有付费层级。Qdrant Cloud是一项独立的托管服务，单独计费——如果你选择这条路径，最新价格请查看qdrant.tech/pricing。
Qdrant是开源的吗？使用什么许可证？
是的。Qdrant的GitHub LICENSE文件是标准的Apache License, Version 2.0，适用于整个自托管代码库。
Qdrant能否完全在本地运行，不依赖云？
可以。Qdrant可通过Docker（docker run -p 6333:6333 qdrant/qdrant）、可下载的二进制文件或Rust crate完全自托管。Qdrant Cloud是可选且独立的——运行该软件并不需要它。
Qdrant有Web控制台吗？
有。Qdrant内置Web控制台，本地安装通常可通过http://localhost:6333/dashboard访问，用于浏览集合、检查point并运行测试查询，无需编写客户端代码。
Qdrant支持混合搜索吗？
支持。根据其自身文档，Qdrant支持在单次查询中结合稠密向量（语义）搜索与稀疏向量（关键词式）搜索，并支持多向量。
如何将Qdrant与本地embedding模型搭配使用？
Qdrant本身不生成embedding。运行一个本地embedding模型（例如通过Ollama或Python中的sentence-transformers模型）将文本转换为向量，然后使用Qdrant的官方客户端之一（Python、JavaScript/TypeScript、Go、Rust、.NET/C#或Java）来存储和查询这些向量。
Qdrant和Qdrant Cloud有什么区别？
Qdrant是开源的向量数据库软件，可在任何地方免费自托管。Qdrant Cloud是同一家公司提供的独立、可选托管产品，运行在AWS、GCP或Azure上，与开源软件独立计费。
Qdrant能与LangChain或LlamaIndex集成吗？
可以。LangChain和LlamaIndex都为Qdrant提供了向量存储连接器，让你可以在用任一框架构建的更大RAG流水线中，将其用作检索后端。
Qdrant支持哪些编程语言？
根据Qdrant自己的客户端文档，它提供Python、JavaScript/TypeScript、Go、Rust、.NET/C#和Java的官方客户端库，此外还有REST API和gRPC API，任何语言都可以直接调用。