Qdrant

Qdrant是一款专为下一代AI应用打造的开源向量相似度搜索引擎与向量数据库。如果您正在了解qdrant是什么，可以将其理解为专门存储、索引和查询高维向量的数据基础设施。它基于Rust语言构建，能够为检索增强生成（RAG）、推荐系统、语义搜索等场景提供毫秒级的向量检索能力，帮助开发者将非结构化数据转化为可搜索的向量空间。

很多开发者初次接触时会好奇qdrant怎么读。Qdrant的名称源自英文单词"Quadrant"（象限），因此标准发音为/ˈkwɒdrənt/，中文社区通常音译为"库象限"或直接读作"Quadrant"。

Qdrant提供从原型验证到大规模生产环境所需的完整向量数据管理能力：

高维向量近似搜索：采用HNSW（Hierarchical Navigable Small World）索引算法，支持在海量高维向量中执行近似最近邻（ANN）搜索，检索延迟可低至毫秒级。

混合搜索（Hybrid Search）：创新性地同时支持稠密向量（Dense Vector）与稀疏向量（Sparse Vector），并允许结合基于Payload的属性过滤，满足语义+关键词的复杂业务查询需求。

灵活的Payload存储：允许为每个向量附加JSON格式的结构化元数据，支持字符串、数字、地理坐标等多种数据类型，并可在向量搜索过程中执行高效的预过滤与后过滤。

分布式云原生架构：原生支持集群模式，内置自动分片、副本复制、动态扩容与故障转移机制，可平滑扩展至TB级数据规模与百亿级向量。

多租户与安全管理：提供命名空间级别的集合隔离、API密钥认证与基于角色的访问控制（RBAC），保障企业级多团队协作用例的数据安全。

Qdrant Cloud全托管服务：官方推出的qdrant cloud平台支持自动扩缩容、监控告警、自动备份与按量计费，帮助用户零运维地运行生产级向量数据库。

丰富的API与客户端：原生提供RESTful API与高性能gRPC接口，并维护Python、Go、Rust、TypeScript/.NET等主流语言的官方客户端SDK。

相较于传统数据库或其他向量检索方案，Qdrant在多个维度展现出独特竞争力：

极致的性能表现：Rust语言带来的内存安全与零成本抽象，结合针对现代CPU优化的HNSW实现，在相同硬件条件下提供更高的QPS和更低的检索延迟，同时保持出色的内存效率。

生产级可靠性：支持WAL（预写日志）写入、定时快照与点对点数据迁移；内存与磁盘混合存储策略（Memmap）让用户能够在成本与查询性能之间灵活取舍。

云原生与DevOps友好：提供官方Kubernetes Operator与Helm Chart，完美适配容器化编排与现代CI/CD流程，降低基础设施管理复杂度。

活跃的开源生态：项目在qdrant github（github.com/qdrant/qdrant）上以Apache-2.0协议开放，拥有活跃的全球开发者社区与快速迭代节奏。

开发者体验优先：内置功能完善的Web UI管理控制台，开发者无需编写代码即可直观管理集合（Collection）、查看集群健康状态并执行交互式查询测试。

无论您使用何种操作系统，都可以通过以下方式快速完成qdrant 安装：

通过Docker快速部署（qdrant docker）

bash
docker run -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant

其中6333端口提供REST API与Web UI，6334端口提供gRPC服务。通过-v参数将宿主机目录挂载至容器内的存储路径，可实现数据持久化，避免容器重启后数据丢失。

Windows本地安装（qdrant windows安装）

1. Docker Desktop方案（推荐）：安装Docker Desktop for Windows（需启用WSL2后端），随后执行上述qdrant docker命令即可在Windows环境运行Linux容器。
2. 原生二进制方案：访问Release页面下载Windows对应的预编译可执行文件，解压后直接在PowerShell或命令提示符中运行。

Linux与macOS安装

从GitHub获取源码编译（qdrant github）

bash
git clone https://github.com/qdrant/qdrant.git
cd qdrant
cargo build --release --bin qdrant

编译完成后，二进制文件位于./target/release/qdrant，可直接运行。

完成部署后，以下Python示例展示qdrant使用的基本流程：创建集合、写入带Payload的向量并执行相似度检索。

python
from qdrant_client import QdrantClient, models
# 连接本地服务
client = QdrantClient(url="http://localhost:6333")
# 创建名为"demo"的集合，指定向量维度与距离计算方式
client.create_collection(
    collection_name="demo",
    vectors_config=models.VectorParams(size=4, distance=models.Distance.COSINE)
)
# 插入向量与Payload
client.upsert(
    collection_name="demo",
    points=[
        models.PointStruct(id=1, vector=[0.1, 0.2, 0.3, 0.4], payload={"city": "北京", "type": "美食"}),
        models.PointStruct(id=2, vector=[0.2, 0.1, 0.4, 0.3], payload={"city": "上海", "type": "旅游"})
    ]
)
# 执行相似度搜索
hits = client.search(
    collection_name="demo",
    query_vector=[0.1, 0.2, 0.3, 0.4],
    query_filter=models.Filter(
        must=[models.FieldCondition(key="type", match=models.MatchValue(value="美食"))]
    ),
    limit=3
)
print(hits)

部署成功后，打开浏览器访问http://localhost:6333/dashboard即可进入Web UI，以可视化方式完成集合管理、数据浏览与查询调试，进一步降低qdrant使用门槛。