Qdrant
活跃简介
Qdrant 是一个用 Rust 编写的高性能、云原生向量数据库与向量搜索引擎，专为下一代 AI 应用提供大规模 ANN 检索能力。
核心特性
- 高性能 ANN — 基于 HNSW 与 Scalar Quantization，提供毫秒级向量检索
- 丰富过滤条件 — 支持 payload 过滤、地理空间查询与混合稀疏-稠密检索
- 多模态与多向量 — 支持稀疏向量、命名向量、推荐系统多向量召回
- Rust 实现 — 内存安全、零成本抽象、对 CPU/GPU 高效利用
- 云原生 — 原生支持分片、副本、快照、分布式部署与水平扩展
- 完整生态 — 提供 Python/JS/Rust/Go SDK，以及 Qdrant Cloud 与 Hybrid Cloud 方案
适用场景
💡 为 RAG 应用提供亿级向量检索与过滤后端
💡 搭建基于向量的商品、文档、图片相似度搜索
💡 在推荐系统中融合协同过滤与多模态召回
💡 在边缘或私有云环境部署自托管向量数据库
💡 用 Hybrid Search 把稀疏检索与稠密检索结合做混合召回
优势与不足
✅ 优势
- • 活跃维护，近期持续更新
- • 社区热度高（34.0k stars）
- • 开源许可证友好（Apache-2.0）
分类
快速开始
# 启动 Qdrant（Docker）
docker run -p 6333:6333 -p 6334:6334 \
-v $(pwd)/qdrant_storage:/qdrant/storage \
qdrant/qdrant
# Python SDK 示例
pip install qdrant-client
from qdrant_client import QdrantClient
from qdrant_client.models import PointStruct, VectorParams, Distance
client = QdrantClient('localhost', port=6333)
client.create_collection('docs', vectors_config=VectorParams(size=384, distance=Distance.COSINE))
client.upsert(
collection_name='docs',
points=[PointStruct(id=1, vector=[0.1]*384, payload={'title': 'Hello'})],
)
hits = client.search(collection_name='docs', query_vector=[0.1]*384, limit=5)