Skip to main content
[ PIER ]

Qdrant

用于 AI 应用的高性能向量数据库。

Service#vector#search#ai#embeddings#similarity

Qdrant 是一个用 Rust 编写的向量相似性搜索引擎。它存储嵌入(来自 OpenAI、Cohere、Voyage、BGE 等的密集向量)并通过 HNSW 索引提供最近邻查询 — 对生产 RAG、语义搜索、推荐和异常检测足够快。Pier 部署带持久存储和仪表板 UI 的官方 Docker 镜像。

使用 Pier 部署

  1. 1打开 Pier 控制台,点击 Add service。
  2. 2从模板列表中选择 Qdrant。
  3. 3选择版本、设置服务名称,Pier 会自动配置容器、存储和端口。
  4. 4如需 HTTPS,请绑定域名。Traefik 会自动签发 Let's Encrypt 证书。

什么是 Qdrant?

Qdrant 是用 Rust 编写的开源向量相似性搜索引擎。它的存在是为了非常非常快地 回答一个问题:“给定这个查询向量,找到 k 个最近的存储向量。“在大多数通用 数据库为高维向量工作负载苦苦挣扎的地方,Qdrant 专为 HNSW 索引、payload 过滤和数百万向量上的亚 50ms 响应时间而构建。

现代 AI 栈 — RAG、语义搜索、推荐、异常检测 — 都需要这个原语。嵌入来自 模型(OpenAI、Cohere、Voyage、本地 BGE/MiniLM);嵌入存活在 Qdrant 中; 查询结合向量相似度与 payload 过滤器(“查找类似的,但只在英文中,上周 发布,由用户 X”)。

Pier 如何部署它

Pier 使用官方 qdrant/qdrant Docker 镜像。默认端口是 6333(REST + 仪表板 UI)和 6334(gRPC)。数据卷挂载到 /qdrant/storage。Pier 自动生成 API 密钥(通过 QDRANT__SERVICE__API_KEY 设置)并在服务详情页面显示。

内置仪表板 UI 在端口 6333(路径 /dashboard)可达。在 Pier 的 Domains 标签中附加域名以通过 Traefik 获得 HTTPS。

何时不要使用 Qdrant

如果你已在 Postgres 中有数据且数据集低于约 1M 向量,pgvector 更简单 — 少一个数据库要运维。对于任何规模的纯托管服务简单性,Pinecone 用成本换零 运维。Qdrant 在你想要自托管控制、数百万向量规模、丰富 payload 过滤和 混合稀疏+密集搜索时获胜。

核心功能

磁盘上的 HNSW 索引

内存映射 HNSW(分层可导航小世界)图 — 在数百万高维向量上毫秒搜索,无需将所有内容保留在 RAM 中。

Payload 过滤

将 JSON 元数据(标签、日期、用户 ID)附加到每个向量。在搜索时过滤 — "查找我拥有的、最近 30 天内修改过的相似文档"在一个查询中。

REST + gRPC + Python/JS/Rust/Go 客户端

Python、JS、Rust、Go、.NET、Java 的一流客户端。支持 REST 和 gRPC;gRPC 对高 QPS 工作负载更快。

混合搜索(稀疏 + 密集)

结合 BM25 风格的稀疏向量与密集嵌入。混合通常优于企业文档 RAG 的任何一个单独的。

量化

标量、产品和二进制量化将索引大小减少 4-32×,召回损失最小。在商品 VM 上运行十亿级向量索引。

分片和复制

通过分片水平扩展;副本用于冗余。Pier 提供单节点;生产规模集群需要手动编排。

应用场景

RAG / 聊天机器人检索

检索增强生成中的"R"。用 OpenAI / BGE / Voyage 嵌入你的文档;存储在 Qdrant;在聊天时查询前 k 个相关块。

语义搜索

按含义查找文档,而不仅是关键字。"谁有 React 状态管理经验?"即使他们写"Redux/Zustand 专长"也会返回匹配。

推荐系统

用户 → 项目嵌入 → 类似项目。当你有项目嵌入但没有行为数据时冷启动友好。

重复 / 近重复检测

基于哈希的去重错过释义。基于嵌入的去重捕捉它们。对内容审核、剽窃、支持工单去重至关重要。

图像 / 多模态搜索

CLIP 嵌入让你通过文本搜索图像,反之亦然。相同的 Qdrant 集合,多模态查询。

代码示例

创建集合python
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

client = QdrantClient(url="http://qdrant:6333")
client.create_collection(
    collection_name="docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)
插入带 payload 的向量python
from qdrant_client.models import PointStruct

client.upsert(
    collection_name="docs",
    points=[
        PointStruct(
            id=42,
            vector=[0.1, 0.2, ...],          # 1536-dim
            payload={"title": "Hello", "url": "/posts/hello", "lang": "zh"},
        )
    ],
)
带 payload 过滤器的搜索python
from qdrant_client.models import Filter, FieldCondition, MatchValue

hits = client.search(
    collection_name="docs",
    query_vector=[0.1, 0.2, ...],
    query_filter=Filter(
        must=[FieldCondition(key="lang", match=MatchValue(value="zh"))]
    ),
    limit=5,
)
混合搜索(密集 + 稀疏)python
from qdrant_client.models import Prefetch

results = client.query_points(
    collection_name="docs",
    prefetch=[
        Prefetch(query=dense_vector,  using="dense", limit=20),
        Prefetch(query=sparse_vector, using="sparse", limit=20),
    ],
    query={ "fusion": "rrf" },        # 倒数排名融合
    limit=5,
)

对比

vs Pinecone(托管)Pinecone 是托管、精致、昂贵的。Qdrant 是 OSS、自托管、可比性能。当你想要对数据、成本的控制或需要本地部署时选 Qdrant。
vs WeaviateWeaviate 有内置嵌入生成模块(为你调用 OpenAI/Cohere)。Qdrant 更精简 — 你在客户端生成嵌入。两者都很优秀;Qdrant 通常更快,Weaviate 有更好的混合功能。
vs pgvector(PostgreSQL 扩展)当你已在 Postgres 中有数据且不想要第二个数据库时 pgvector 很棒。在规模化(10M+ 向量)时 Qdrant 优于 pgvector,并有更丰富的 payload 过滤。
vs MilvusMilvus 是中国主导的 OSS 项目,具有类似功能集。运维更重(更多组件)。Qdrant 更简单 — 单一二进制、单一容器。

常见问题

默认端口和协议?
6333/tcp 用于 REST + 仪表板,6334/tcp 用于 gRPC。Pier 暴露两者。gRPC 对高 QPS 更快;REST 适合大多数应用。
嵌入从哪里来?
Qdrant 不生成嵌入 — 你在客户端生成。OpenAI `text-embedding-3-small`、Voyage、Cohere 或本地模型(BGE、all-MiniLM)都有效。只需将向量传给 Qdrant。
持久化?
是 — Pier 将 `/qdrant/storage` 挂载为持久卷。在容器重启和升级中存活。
内存和磁盘要求?
HNSW 索引是内存映射的。经验法则 — 4 GB RAM 处理约 1M 向量,维度 1536。使用标量量化时,相同 RAM 容纳约 4M 向量。
认证?
Qdrant 支持 API 密钥认证。Pier 自动生成密钥并通过 env var 暴露。在每个请求上发送 `api-key` 头。
备份?
使用 Qdrant 的快照 API 创建每个集合的快照。在数据卷上存储快照或推送到 S3。
Pier 部署哪个版本?
默认 `latest`。Qdrant 移动很快 — 像 `v1.12.0` 这样的固定版本在版本选择器中可用。

相关服务

在你的 VPS 上部署

Qdrant 是一个用 Rust 编写的向量相似性搜索引擎。它存储嵌入(来自 OpenAI、Cohere、Voyage、BGE 等的密集向量)并通过 HNSW 索引提供最近邻查询 — 对生产 RAG、语义搜索、推荐和异常检测足够快。Pier 部署带持久存储和仪表板 UI 的官方 Docker 镜像。

部署此服务 →