Qdrant

Rust 编写的开源向量数据库，支持带结构化过滤的向量检索

核心功能

Qdrant 是 Rust 编写的开源向量数据库与搜索引擎，把向量近邻检索和 payload 结构化过滤放在同一次查询里完成。适合需要在语义召回之上再按标签、价格等字段筛选的搜索与推荐团队。它的 Python 客户端提供本地模式，不启服务端也能跑同样的代码，原型与 CI 接入成本很低。

功能亮点

本地模式免服务端

QdrantClient(":memory:") 或指定磁盘路径即可运行，不用先起容器

自带 Web 面板

启动后打开 localhost:6333/dashboard 查看集合与数据点

检索时直接过滤

Filter 搭配 FieldCondition 与 Range，检索过程中按字段筛选

客户端内置向量化

装 qdrant-client[fastembed] 后可直接传原始文本入库

适用场景

• 语义搜索叠加条件筛选，比如按类目和价格区间过滤后再做向量召回
• 推荐系统的候选召回层，用 payload 条件排除用户已浏览过的内容
• 在 CI 流水线里用 local mode 跑向量检索相关单测，不依赖外部服务

安装配置

bash

Docker：
docker pull qdrant/qdrant
docker run -p 6333:6333 -p 6334:6334 \
    -v "$(pwd)/qdrant_storage:/qdrant/storage:z" \
    qdrant/qdrant

Python 客户端：
pip install qdrant-client

需要客户端本地做文本向量化时（CPU）：
pip install qdrant-client[fastembed]

说明：REST API 在 localhost:6333，Web UI 在 localhost:6333/dashboard，gRPC API 在 localhost:6334。fastembed 与 fastembed-gpu 互斥，只能装其中一个。

使用方法

python

连接服务端：
from qdrant_client import QdrantClient

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

本地模式（不启服务端，代码完全一致）：
client = QdrantClient(":memory:")
# 或持久化到磁盘
client = QdrantClient(path="path/to/db")

创建集合：
from qdrant_client.models import Distance, VectorParams

client.create_collection(
    collection_name="test_collection",
    vectors_config=VectorParams(size=4, distance=Distance.DOT),
)

写入向量与 payload：
from qdrant_client.models import PointStruct

operation_info = client.upsert(
    collection_name="test_collection",
    wait=True,
    points=[
        PointStruct(id=1, vector=[0.05, 0.61, 0.76, 0.74], payload={"city": "Berlin"}),
        PointStruct(id=2, vector=[0.19, 0.81, 0.75, 0.11], payload={"city": "London"}),
        PointStruct(id=3, vector=[0.36, 0.55, 0.47, 0.94], payload={"city": "Moscow"}),
    ],
)

检索：
search_result = client.query_points(
    collection_name="test_collection",
    query=[0.2, 0.1, 0.9, 0.7],
    with_payload=False,
    limit=3
).points

带条件过滤的检索：
from qdrant_client.models import Filter, FieldCondition, Range

hits = client.query_points(
    collection_name="my_collection",
    query=query_vector,
    query_filter=Filter(
        must=[
            FieldCondition(
                key='rand_number',
                range=Range(gte=3)
            )
        ]
    ),
    limit=5
)

关键指标

尚未核验对标产品，此处只列本工具自身指标，不做对比结论。

指标Qdrant

价格免费增值

开源是

上手难度入门

优点

Rust 实现、Apache 2.0 开源，同时开放 REST（6333）与 gRPC（6334）接口，gRPC 模式官方标注上传通常更快
Python 客户端的 local mode 让原型、CI 测试与生产共用同一套 API，扩容时只需换成服务端连接
支持在检索过程中用 Filter / FieldCondition / Range 做 payload 条件过滤，而非查询后再筛
集群侧用 Raft 维护拓扑一致性，并提供 stream_records、snapshot、wal_delta 多种分片传输方式

缺点

集合的 shard_number 创建后不能修改，官方明确在线 resharding 只在 Qdrant Cloud 可用，自托管需重建集合
自托管开源版创建集合后修改 replication_factor 不会生效，需手动调用 replicate_shard / drop_replica
官方说明 Qdrant 客户端不会自行在多个节点间分发请求，分布式部署需自建负载均衡
使用自定义分片时 ID 只在单个 shard key 内保证唯一，官方称这是当前实现的限制且属于应避免的反模式