Qdrant：面向 AI 应用的向量搜索引擎

Qdrant 是一个开源的向量相似度搜索引擎和向量数据库，目前在 GitHub 上已经获得了 31,775 个 Star：

Qdrant 用 Rust 编写，提供生产级的服务，支持通过 API 存储、搜索和管理向量数据。每个向量可以附带 JSON 格式的 payload，便于实现基于属性的过滤。

Qdrant 适用于语义搜索、推荐系统、图像检索、RAG 等 AI 应用场景。

核心功能

Qdrant 支持多种向量搜索模式：

• 密集向量搜索：用于语义相似度匹配
• 稀疏向量搜索：用于全文检索
• 多向量搜索：支持一个对象包含多个向量，适用于 ColBERT 等延迟交互模型

在过滤方面，Qdrant 支持对 payload 进行丰富的条件过滤，包括关键词匹配、全文检索、数值范围、地理位置等，条件之间可以组合使用 should、must、must_not 等逻辑。

混合搜索功能允许在一个查询中组合多种向量类型，通过 RRF 或 DBSF 等融合策略合并结果，兼顾语义理解和关键词精度。

内置的向量量化技术可将内存占用降低 97%，用户可以在搜索速度和精度之间调整平衡。

分布式部署支持分片和复制，可以横向扩展，更新和重设 collection 时无需停机。

其他特性包括：

• 推荐搜索：用正负样本找相似点
• 发现搜索：将搜索约束在向量空间的特定区域
• 多租户：支持多用户环境的数据隔离
• SIMD 硬件加速：利用 x86/x64 和 Neon 指令集提升性能
• GPU 支持：加速索引构建，支持 NVIDIA 和 AMD 显卡
• 预写日志：保证数据持久化，断电时也能确认更新

快速上手

通过 Docker 本地运行 Qdrant：

docker run -p 6333:6333 qdrant/qdrant

使用 Python 客户端连接：

from qdrant_client import QdrantClient

client = QdrantClient(url="http://localhost:6333")

Qdrant 提供多种官方客户端：Go、Rust、JavaScript/TypeScript、Python、.NET/C#、Java，也有社区维护的 PHP 客户端。

API 方面，Qdrant 提供 REST API 和 gRPC 接口。REST API 带有 OpenAPI 3.0 规范，可生成几乎任何语言的客户端。

部署形态

Qdrant 提供三种部署方式：

服务端部署：传统的客户端/服务器架构，数据持久化存储，适合生产环境。

Qdrant Edge：轻量级版本，运行在应用进程内部，数据本地存储和查询，可与服务器同步。适合需要低延迟和离线功能的场景。

Qdrant Cloud：全托管的云服务，包含免费 tier，无需自己维护基础设施。

应用场景

Qdrant 的官方 demo 展示了几个典型场景：

语义文本搜索：基于预训练神经网络实现超越关键词匹配的语义检索。

图像搜索：通过视觉相似度帮助用户找到相似的图片，即使不知道图片名称。

极端分类：将 Qdrant 与预训练 transformer 模型结合，用于电商商品分类等多标签分类任务。

Qdrant 还集成了主流 AI 生态工具，包括嵌入模型提供商、AI 应用框架、数据管道工具和可观测性平台，具体可查阅官方 Ecosystem 页面。

Web UI 提供了可视化的数据浏览和集群管理界面，可以查看 collection、管理数据、调用 REST API。界面简洁，操作直观，降低了上手门槛。

小结

Qdrant 作为 Rust 编写的向量数据库，在性能、功能和部署灵活性上都有不错的表现。31,775 个 Star 的成绩说明社区对其认可度较高。如果你的项目需要处理高维向量数据的存储和检索，Qdrant 值得纳入技术选型的考虑范围。无论是本地原型开发还是生产环境部署，它都能提供对应的解决方案。

区对其认可度较高。如果你的项目需要处理高维向量数据的存储和检索，Qdrant 值得纳入技术选型的考虑范围。无论是本地原型开发还是生产环境部署，它都能提供对应的解决方案。