Qdrant翻译站点

3周前发布 12 0 0

Apache-2.0 许可的 Rust 编写 AI 原生向量数据库，HNSW 遍历期过滤、量化降内存 64 倍、原生混合检索。

语言：

英文

收录时间：

2026-08-24

打开网站手机查看

向量数据库 # Qdrant

Qdrant

打开网站

Qdrant 是 Qdrant Solutions 开源的高性能 AI 原生向量搜索引擎，Apache-2.0 许可。核心引擎完全用 Rust 编写，配合 SIMD 与自研 Gridstore 存储引擎，无 GC 停顿、无运行时包装。

官方定位：”High-Performance Vector Search at Scale” 。核心差异化能力：HNSW 遍历期过滤（filters applied during HNSW traversal，非预过滤/后过滤）、原生混合检索（稠密+稀疏向量，支持 BM25/SPLADE++/miniCOIL）、先进量化（Asymmetric/Scalar/Binary Quantization，内存降低最高 64 倍）、多向量（per-object 多嵌入，ColBERT 级 late interaction）。它是向量数据库分类中“Rust 高性能 + 过滤检索最强”的代表作。

产品概述

Qdrant 由 Andrey Vasnetsov（CTO，HNSW 算法专家）与 Andre Zayarni（CEO）2021 年 5 月在柏林创立，2026 年 3 月完成 5000 万美元 B 轮融资（AVP 领投，Bosch Ventures/Unusual Ventures/Spark Capital/42CAP 参投）。

核心定位哲学：

官方 GitHub 描述开宗明义——”Qdrant is a vector similarity search engine and vector database. It provides a production-ready service with a convenient API to store, search, and manage points—vectors with an additional payload. Qdrant is tailored for extended filtering support” 。三个不可妥协的设计原则：

Rust 性能底座：完全用 Rust 编写，SIMD 硬件加速，自研 Gridstore 存储引擎，无 GC 停顿
过滤检索深度融合：filters are applied during HNSW traversal — no pre- or post-filtering，复杂条件下仍保持高召回与低延迟
量化降内存极致：Asymmetric/Scalar/Binary Quantization 组合，内存降低最高 64 倍

它做什么 / 不做什么（关键归类）：

✅ 做：作为向量数据库服务运行 → 接收向量与 JSON payload 写入 → 构建 HNSW 索引（遍历期融合 payload 过滤）→ 接收 ANN 查询 → 稠密/稀疏/多向量混合检索 → 量化压缩 → 通过 REST/gRPC API 返回 Top-K
❌ 不做：不生成 Embeddings（需外接嵌入模型，Qdrant Cloud 提供云托管嵌入）、不做业务级 RAG 编排（是 RAG 的向量底座）、不提供全文检索与排序一体化（这是 Vespa 的能力）
本质是 Rust 向量数据库引擎：它是向量数据库分类中“过滤检索最强 + 量化降内存极致”的代表——在 HNSW 图遍历阶段就应用过滤条件，避免了传统”先向量召回再后过滤”的召回率损失。

技术架构 ：

实现语言：Rust（核心引擎），SIMD 硬件加速（x86-64 AVX / ARM Neon）
存储引擎：自研 Gridstore，自定义存储架构
索引算法：HNSW（Hierarchical Navigable Small World）
接口：REST API（OpenAPI 3.0 规范）+ gRPC（生产级高速检索）
客户端 SDK：Python、JavaScript/TypeScript、Rust、Go、Java 等官方客户端
部署拓扑：
- 自托管二进制：docker run -p 6333:6333 qdrant/qdrant
- Qdrant Cloud：全托管，AWS/GCP/Azure 高可用 + 自动分片，免费 1GB 集群起步
- Qdrant Hybrid Cloud：BYO Kubernetes，控制面与数据面解耦，数据驻留自建集群
- Qdrant Private Cloud：air-gapped 离线部署，合规场景
- Qdrant Edge（Beta）：轻量级嵌入式，进程内检索，无后台服务、极小内存、无网络，适合机器人/自助服务终端/移动设备/离线 AI 搜索
能力矩阵：实时索引（新数据即时可搜，无需重建索引）、十亿级向量存储、量化压缩、多租户与 RBAC

许可策略：Apache-2.0 许可证，允许商用、修改、分发，无 copyleft 限制，与 Milvus/Vespa 同属最干净许可阵营。

合规与生态 ：

30K+ GitHub Stars、60K+ 社区成员
SOC 2 与 HIPAA 合规
客户：Tripadvisor、HubSpot、Bosch、Disney Streaming 等
2026 年 3 月完成 $50M Series B

💡 与同层向量数据库的关键差异：

vs Milvus：Milvus 是 Go/C++ 云原生分布式，主打万亿级规模；Qdrant 是 Rust 编写，主打高并发低延迟与过滤检索精度，千万到十亿级场景性能极致

vs Weaviate：Weaviate 是 AI-native 数据库，BM25+向量混合检索原生、模块化 ML；Qdrant 是纯粹的 Rust 向量引擎，过滤检索性能更强、量化降内存更极致

vs Vespa：Vespa 是搜索+向量+排序+ML 推理一体化引擎；Qdrant 专注向量 ANN 检索，Rust 性能底座更纯粹

vs Pinecone：Pinecone 是全托管 SaaS（闭源）；Qdrant 开源 Apache-2.0，自托管/混合云/全托管多形态

vs VikingDB（已收录）：VikingDB 是火山/BytePlus 云原生全托管向量数据库，百亿级、多模态、稠密+稀疏混合检索；Qdrant 是开源等价物，Rust 性能底座+过滤检索最强，自托管可控

核心能力

-HNSW 遍历期过滤（核心差异化）

Filters applied during HNSW traversal：过滤条件在图节点跳转阶段生效，无预过滤/后过滤
高召回 + 低延迟：即使复杂过滤条件下仍保持高召回与低延迟
丰富过滤语义：嵌套对象、全文、数值范围、geo 地理位置、has_vector 等高级过滤器
Boolean 逻辑：should / must / must_not 子句组合，类似传统搜索引擎

-原生混合检索

稠密 + 稀疏向量统一：同一集合中同时存储稠密（语义）与稀疏（关键词）向量
稀疏向量模型：支持 BM25、SPLADE++、miniCOIL
融合策略：Reciprocal Rank Fusion（RRF）与 Distribution-Based Score Fusion（DBSF）可配置
单一查询混合：关键词精度与语义理解在一条查询中融合

-多向量（Multi-Vector）

per-object 多嵌入：每个对象可存储多个向量，提升检索表达力
Late Interaction 模型：原生支持 ColBERT 等 late interaction 模型的 MaxSim 算子
多模态：多向量让检索层更具表达力、灵活性与多模态能力

-先进量化与存储

Asymmetric Quantization：非对称量化
Scalar Quantization：标量量化，int8 压缩
Binary Quantization：二值量化
内存降低最高 64 倍：advanced quantization techniques 在维持搜索质量的同时大幅降内存
On-Disk Storage：内置量化 + 磁盘存储，RAM 占用降低最高 97%
实时索引：新数据即时索引，无需重建整个索引，向量添加的瞬间即可搜索

-全谱重排（Full-Spectrum Reranking）

Score Boosting：注入业务逻辑进行分数提升
Late Interaction 重排：ColBERT 等 token 级精度 late interaction 模型
MMR 多样性：Maximum Marginal Relevance 结果多样化

-Rust 性能底座

完全 Rust 编写：无 GC 停顿，高负载下仍快速可靠
SIMD 硬件加速：x86-64 与 ARM Neon 架构 SIMD 指令集
自研 Gridstore 存储引擎：无包装、无附加组件，纯粹快速可扩展的向量搜索
十亿级向量存储：optimized storage architecture 以极小内存足迹存储十亿级向量

-多形态部署

自托管：docker run -p 6333:6333 qdrant/qdrant 一行命令
Qdrant Cloud：AWS/GCP/Azure 全托管，高可用 + 自动分片，免费 1GB 集群
Qdrant Hybrid Cloud：BYO K8s，控制面与数据面解耦，数据驻留自建集群
Qdrant Private Cloud：air-gapped 离线部署，合规场景
Qdrant Edge（Beta）：轻量级嵌入式，进程内检索，无后台服务、极小内存、无网络，适合机器人/自助服务终端/移动设备/离线 AI 搜索

-企业级特性

SOC 2 与 HIPAA 合规
SSO（SAML/OIDC）
多租户与细粒度 RBAC
Prometheus / Grafana / Datadog 集成
Zero-downtime 升级
Backups & Point-in-time restore
Vector-scoped API Keys
Private Networking

优势亮点

Apache-2.0 最干净许可：与 Milvus/Vespa 同属最宽松许可阵营，商用、修改、分发无限制
Rust 性能底座：完全 Rust 编写 + SIMD + 自研 Gridstore，无 GC 停顿，高负载下一致低延迟
过滤检索最强：HNSW 遍历期过滤，复杂条件下高召回 + 低延迟，这是 Qdrant 的架构护城河
量化降内存极致：Asymmetric/Scalar/Binary Quantization 组合，内存降低最高 64 倍，RAM 占用降低最高 97%
原生混合检索：稠密 + 稀疏向量统一查询，支持 BM25/SPLADE++/miniCOIL，RRF/DBSF 融合
多向量 Late Interaction：原生 ColBERT MaxSim，token 级精度重排
实时索引：新数据添加的瞬间即可搜索，无需重建索引
30K+ GitHub Stars：向量数据库社区规模最高之一
多形态部署：自托管 / Cloud / Hybrid Cloud / Private Cloud / Edge 五形态覆盖从嵌入式到企业级
SOC 2 & HIPAA 合规：企业级合规认证
$50M Series B 背书：2026 年 3 月完成，商业可持续性极强
客户验证：Tripadvisor、HubSpot、Bosch、Disney Streaming 等生产采用

局限

自己不生成 Embeddings：Qdrant 只存储和检索向量，需外接嵌入模型（OpenAI、Hugging Face 等）；仅 Qdrant Cloud 提供云托管嵌入
超大规模不及 Milvus：Milvus 分布式架构可达万亿级规模；Qdrant 在十亿级以内性能极致，超大规模场景需评估
无原生全文检索与排序一体化：不像 Vespa 那样搜索+向量+ML 推理+排序统一引擎
BM25 混合检索需稀疏向量配合：虽原生支持 BM25 稀疏向量，但完整全文检索能力不如专用搜索引擎
分布式运维需经验：自托管集群需要 K8s 与分布式系统运维能力
量化精度权衡：Binary Quantization 在 32x 压缩时会有显著召回损失，需 oversampling 补偿
与 Milvus 对比：Milvus 在分布式规模与生态完整性更强；Qdrant 在过滤检索精度、量化降内存、Rust 性能底座更强
与 Pinecone 对比：Pinecone 全托管零运维但闭源+供应商锁定+规模化成本较高；Qdrant 开源可控但自托管需运维
与 VikingDB 对比：VikingDB 是火山/BytePlus 云原生全托管，百亿级、多模态、稠密+稀疏混合检索、存算分离；Qdrant 是开源等价物，Rust 性能底座+过滤检索最强，自托管可控

适用人群

高并发低延迟检索：实时推荐、个性化响应、实时 AI Agent 上下文检索
过滤 heavy 场景：metadata-heavy RAG、faceted search、按部门/密级/时间/地理过滤的文档检索
成本敏感的超大规模：量化降内存 64 倍，十亿级向量场景大幅降成本
混合检索需求：需要稠密（语义）+ 稀疏（关键词）统一查询的 RAG/搜索应用
多模态与 Late Interaction：ColBERT 等 late interaction 模型、多模态检索
数据主权与合规：金融、医疗、政企等受监管行业，需自托管或 Hybrid Cloud/Private Cloud
欧洲数据驻留：Qdrant 柏林总部，SOC 2 + HIPAA，EU 数据驻留天然合规
嵌入式/边缘场景：Qdrant Edge 嵌入式形态，机器人/移动设备/离线 AI 搜索
AI Agent 记忆层：persistent memory + 快速相似度检索，context-aware 交互

安装与部署

1. 环境要求

Linux x86_64 / ARM64（支持 SIMD）
Docker（快速起步）或 K8s（分布式）
自托管：单二进制无外部依赖

2. Docker 一键启动

# 启动 Qdrant 服务（注意：默认无认证，仅供开发）
docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant

# 访问 REST API: http://localhost:6333
# 访问 gRPC: localhost:6334

3. Python SDK 快速使用

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, Filter, FieldCondition, MatchValue

# 连接客户端
client = QdrantClient(url="http://localhost:6333")

# 创建集合（768 维，余弦距离）
client.create_collection(
    collection_name="demo_collection",
    vectors_config=VectorParams(size=768, distance=Distance.COSINE)
)

# 插入向量 + payload
client.upsert(
    collection_name="demo_collection",
    points=[
        {
            "id": 1,
            "vector": [0.1, 0.2, ..., 0.3],  # 768 维
            "payload": {
                "category": "technology",
                "importance": 0.9,
                "location": {"lat": 52.5, "lon": 13.4}
            }
        }
    ]
)

# 向量搜索 + payload 过滤（HNSW 遍历期过滤）
results = client.search(
    collection_name="demo_collection",
    query_vector=[0.15, 0.25, ..., 0.35],
    query_filter=Filter(
        must=[
            FieldCondition(key="category", match=MatchValue(value="technology")),
            FieldCondition(key="importance", range={"gte": 0.8})
        ]
    ),
    limit=5
)

# 混合检索（稠密 + 稀疏）
# 使用 FusionQuery 组合稠密向量与稀疏向量，RRF 或 DBSF 融合

4. 启用量化降内存

from qdrant_client.models import QuantizationConfig, ScalarQuantization, ScalarQuantizationConfig

# 创建集合时配置量化
client.create_collection(
    collection_name="quantized_collection",
    vectors_config=VectorParams(
        size=768,
        distance=Distance.COSINE,
        quantization_config=QuantizationConfig(
            scalar=ScalarQuantization(
                scalar=ScalarQuantizationConfig(
                    type="int8",
                    quantile=0.99,
                    always_ram=True
                )
            )
        )
    )
)
# 内存降低 4 倍（int8 标量量化），精度损失极小
# Binary Quantization 可实现 32 倍压缩

5. Qdrant Cloud 全托管

from qdrant_client import QdrantClient

# 直接连接 Qdrant Cloud
client = QdrantClient(
    url="https://your-cluster.qdrant.io",
    api_key="your-api-key"
)

# 后续 API 与自托管完全一致

6. 部署前必检清单

确认仓库位于 github.com/qdrant/qdrant（官方）
许可：Apache-2.0 ，商用自托管无限制
严格属于向量数据库分类，“Rust 高性能 + 过滤检索最强”子类
官方定位：”High-Performance Vector Search at Scale”
开发方：Qdrant Solutions GmbH（柏林，2021 年创立）
实现语言：Rust，SIMD 硬件加速，自研 Gridstore 存储引擎
最新版本：v1.18.2（2026 年 6 月）
社区规模：30K+ GitHub Stars、60K+ 社区成员
核心能力：
- HNSW 遍历期过滤（filters applied during HNSW traversal）
- 原生混合检索（稠密+稀疏，BM25/SPLADE++/miniCOIL，RRF/DBSF 融合）
- 多向量（ColBERT late interaction MaxSim）
- 先进量化（Asymmetric/Scalar/Binary Quantization，内存降低最高 64 倍）
- 实时索引（新数据即时可搜）
- 全谱重排（Score Boosting/ColBERT/MMR）
部署形态：自托管 / Qdrant Cloud / Hybrid Cloud / Private Cloud / Edge（嵌入式 Beta）
接口：REST（OpenAPI 3.0）+ gRPC；Python/JS/Java/Go/Rust 等 SDK
合规：SOC 2 & HIPAA；SSO(SAML/OIDC)；多租户与细粒度 RBAC
商业：2026 年 3 月完成 $50M Series B
客户：Tripadvisor、HubSpot、Bosch、Disney Streaming
自己不生成 Embeddings，需外接嵌入模型（Qdrant Cloud 提供云托管嵌入）

Qdrant翻译站点

产品概述

核心能力

优势亮点

局限

适用人群

安装与部署

1. 环境要求

2. Docker 一键启动

3. Python SDK 快速使用

4. 启用量化降内存

5. Qdrant Cloud 全托管

6. 部署前必检清单

相关导航

Vespa

Milvus

VikingDB

Pinecone

Weaviate