Qdrant

Qdrant هو محرك بحث وقاعدة بيانات مفتوحة المصدر للتشابه المتجهي مبني بلغة Rust، تم إنشاؤه بواسطة فريق مقره برلين بقيادة الرئيس التنفيذي Andre Zayarni والمدير التقني Andrey Vasnetsov. تم إصداره لأول مرة في عام 2021 وهو مرخص بموجب Apache 2.0، وقد تم تصميمه خصيصاً للتعامل مع مشكلة واحدة محددة بكفاءة: تخزين وفهرسة والاستعلام عن متجهات التضمين عالية الأبعاد على نطاق الإنتاج. إنه ليس قاعدة بيانات للأغراض العامة. وصف Vasnetsov هذه الفلسفة بشكل مباشر: "قابلية التوسع والأداء أكثر أهمية بكثير من اتساق المعاملات، لذلك يجب التعامل معه كمحرك بحث وليس كقاعدة بيانات." ويظهر هذا التركيز جلياً في التنفيذ.

تشمل القدرات الأساسية البحث المتجهي الكثيف (القائم على HNSW)، ودعم المتجهات المتناثرة (sparse vector) للاسترجاع بأسلوب الكلمات الرئيسية، وواجهة برمجة تطبيقات للاستعلام (Query API) تجمع بين الاثنين في بحث هجين متعدد المراحل من جانب الخادم. تتيح لك تصفية الحمولة (Payload filtering) الجمع بين التشابه المتجهي وشروط البيانات الوصفية المهيكلة في استعلام واحد. تعمل خيارات التكميم (الكمي، الثنائي، 1.5 بت، 2 بت، غير المتماثل) على ضغط المتجهات في الذاكرة دون إعادة بناء الفهارس. تقدم Qdrant Cloud فئة مجانية للأبد بعقدة واحدة، وتسعيراً قياسياً يعتمد على الاستخدام، ونموذج Hybrid Cloud حيث تعمل قاعدة البيانات على البنية التحتية للعميل بينما تدير Qdrant العمليات. تجاوز المشروع 250 مليون عملية تنزيل و 29,000 نجمة على GitHub اعتباراً من مارس 2026.

ما الذي يفعله Qdrant فعلياً في أبريل 2026

يقبل Qdrant تضمينات المتجهات جنباً إلى جنب مع حمولات JSON العشوائية، ويبني فهارس HNSW (العالم الصغير الهرمي القابل للملاحة) المحسنة للبحث التقريبي عن أقرب جار، ويعيد نتائج مصنفة ومصفاة حسب شروط الحمولة. تتيح لك واجهة برمجة تطبيقات الاستعلام (Query API) المقدمة في الإصدار 1.10 ربط مراحل الاسترجاع: تمريرة أولى باستخدام المتجهات المكممة للعثور على المرشحين، وتمريرة ثانية تعيد تسجيلهم باستخدام متجهات كاملة الدقة، وتُطبق فلاتر البيانات الوصفية في أي من المرحلتين. يتم ذلك من جانب الخادم، مما يعني أن تطبيقك يرسل طلباً واحداً بدلاً من تنسيق رحلات ذهاب وإياب متعددة.

أضافت الإصدارات الحديثة فهرسة HNSW المسرّعة بواسطة وحدة معالجة الرسومات (GPU) لاستيعاب أسرع للمجموعات الكبيرة، والصلة الهامشية القصوى (MMR) لموازنة الصلة مقابل التنوع في النتائج، وخوارزمية ACORN لجودة بحث مصفاة أعلى، وإعادة التصنيف المعزز للنتائج (Score-Boosting Reranking) الذي يمزج التشابه المتجهي مع إشارات الأعمال المخصصة (الحداثة، فئة المستخدم، الشعبية). يعد Qdrant Edge، الذي تم إصداره في عام 2025، متغيراً مدمجاً خفيف الوزن مصمماً للذكاء الاصطناعي الذي يعمل على الأجهزة ذات الحوسبة المحدودة، بما في ذلك الروبوتات ومحطات نقاط البيع والهواتف المحمولة. يدمج Qdrant Cloud Inference (الذي تم إطلاقه في يوليو 2025) توليد التضمين الكثيف والمتناثر والصور مباشرة مع خدمة البحث المستضافة، مما يلغي الحاجة إلى استدعاء واجهة برمجة تطبيقات تضمين منفصلة.

يعمل الإصدار المستضاف ذاتياً كملف ثنائي واحد، أو حاوية Docker، أو على Kubernetes. تتم إدارة المجموعات واللقطات وتكوين المجموعة عبر واجهة برمجة تطبيقات REST أو gRPC. توفر لوحة المعلومات المستندة إلى الويب تصفحاً أساسياً للمجموعات واختباراً للبحث، على الرغم من أنها لا تدعم العمليات المجمعة من واجهة المستخدم.

موقع Qdrant مقارنة بـ Weaviate و Pinecone

قواعد البيانات المتجهية الثلاث الأكثر شيوعاً والمصممة لهذا الغرض هي Qdrant و Weaviate و Pinecone. الاختلافات بينها معمارية وليست شكلية.

تمت كتابة Weaviate بلغة Go ويستخدم بنية معيارية حيث تكون فهارس المتجهات والخلفيات التخزينية ووحدات البحث قابلة للتوصيل بشكل منفصل. يُحدث جامع القمامة (garbage collector) في Go ارتفاعات عرضية في زمن الوصول تحت ضغط الذاكرة. يتجنب تنفيذ Qdrant بلغة Rust توقفات GC تماماً، وهو أمر مهم للتطبيقات ذات المتطلبات الصارمة لزمن الوصول (tail latency). يركز Weaviate على نموذج تخزين موجه للكائنات مع إمكانات الرسم البياني المعرفي وواجهة برمجة تطبيقات GraphQL، مما يجعله مناسباً بشكل أفضل للتطبيقات التي تحتاج إلى اجتياز الرسم البياني العلائقي جنباً إلى جنب مع التشابه المتجهي. يستخدم بحثه الهجين relativeScoreFusion، والذي يحافظ على قيم المقاييس الأصلية من كل طريقة بحث. يستخدم نهج Qdrant الهجين الجلب المسبق وإعادة التسجيل (prefetch-and-rescore)، مما يتيح لك تحديد كيفية تدفق المرشحين بين المراحل بالضبط. كلاهما مفتوح المصدر وكلاهما يدعم الاستضافة الذاتية.

يعد Pinecone برنامجاً احتكارياً لا يحتوي على خيار استضافة ذاتية ولا ترخيص مفتوح المصدر. تفصل بنيته التخزين عن الحوسبة على مستوى البنية التحتية، مما يتيح التوسع بدون خادم لعشرات المليارات من المتجهات دون إدارة البنية التحتية بشكل أساسي. تأتي هذه البساطة بتكلفة: لا يمكنك تشغيل Pinecone على بنيتك التحتية الخاصة، وسيادة البيانات غير ممكنة، والتقيد بالمورد (vendor lock-in) كامل. بالنسبة للفرق التي لديها قيود اللائحة العامة لحماية البيانات (GDPR)، أو متطلبات الامتثال للصناعات الخاضعة للتنظيم، أو التزامات إقامة البيانات، فإن Pinecone ببساطة ليس خياراً. يعالج Qdrant Hybrid Cloud هذه الفجوة بالضبط: فهو يوفر تجربة عمليات مُدارة مع الاحتفاظ بالبيانات والحوسبة داخل البنية التحتية التي يتحكم فيها العميل. كما لا يحتوي Pinecone على فئة مجانية مستضافة ذاتياً. نواة Qdrant مرخصة بموجب Apache 2.0 ومجانية للأبد.

"يشغل Qdrant تطبيقات التوصية و RAG المتطلبة لدينا. اخترناه لسهولة نشره وأدائه العالي على نطاق واسع، وقد أُعجبنا باستمرار بنتائجه." - Srubin Sethu Madhavan، القائد التقني، HubSpot، qdrant.tech/blog/case-study-hubspot، 2024

كيف يبدو سير عمل الإنتاج الفعلي

يبدو مسار RAG النموذجي مع Qdrant هكذا: يتم تقسيم المستندات، وتضمينها عبر نموذج خارجي (OpenAI أو Cohere أو Jina أو الآن Qdrant Cloud Inference)، وإدراجها/تحديثها (upserted) في مجموعة مع بيانات وصفية للحمولة (معرف المستند، الطابع الزمني، المصدر، معرف المستأجر). في وقت الاستعلام، يتم تضمين إدخال المستخدم وإرساله إلى واجهة برمجة تطبيقات الاستعلام (Query API) الخاصة بـ Qdrant مع فلتر حمولة يقيد النتائج بالمستأجر الحالي والنطاق الزمني ذي الصلة. يقوم Qdrant بتشغيل مرحلة الجلب المسبق (بحث تقريبي سريع عبر المتجهات المكممة)، ثم مرحلة إعادة التسجيل (تصنيف كامل الدقة لأفضل المرشحين)، ويعيد القائمة المصنفة النهائية إلى التطبيق، والذي يمررها إلى النموذج اللغوي الكبير (LLM) كسياق.

بالنسبة للفرق التي تبني برمجيات كخدمة (SaaS) متعددة المستأجرين على مجموعة Qdrant واحدة، يتيح الإيجار المتعدد المتدرج (المضاف في 2025) خلط المستأجرين الكبار والمستأجرين الصغار في نفس المجموعة دون تدهور الأداء لكل مستأجر. بالنسبة لأنظمة التوصية، يكون سير العمل مشابهاً ولكن مع التضمينات السلوكية: يتم تخزين متجهات تفاعل المستخدم وتحديثها بشكل تدريجي، ويتم الاستعلام عنها في وقت التشغيل مقابل متجهات المحتوى. قامت TripAdvisor ببناء هذا على نطاق أكثر من مليار مراجعة، وأبلغت عن زيادات في الإيرادات بمقدار 2-3 أضعاف من المستخدمين الذين يتفاعلون مع مخطط الرحلات بالذكاء الاصطناعي (AI Trip Planner) مقارنة بواجهات البحث التقليدية.

"لقد كان Qdrant حاسماً في تحولنا. عندما تتعامل مع أكثر من مليار قطعة من المحتوى متعدد الوسائط الذي ينشئه المستخدمون.." - Rahul Todkar، رئيس البيانات والذكاء الاصطناعي، TripAdvisor، qdrant.tech/blog/case-study-tripadvisor، 2024

لمن تم بناء Qdrant

تم بناء Qdrant لمهندسي تعلم الآلة ومهندسي الواجهة الخلفية الذين يحتاجون إلى طبقة بحث متجهية مخصصة في نظام ذكاء اصطناعي إنتاجي. إذا كنت تبني RAG، أو بحثاً دلالياً في المستندات، أو توصيات مخصصة، أو بحثاً عن تشابه الصور، أو مسارات استرجاع وكيلية (agentic retrieval) وكنت بحاجة إلى أداء يمكن التنبؤ به بزمن وصول منخفض على نطاق واسع، فإن Qdrant هو خيار افتراضي قوي في عام 2026. يعني ترخيص Apache 2.0 أنه يمكنك تشغيله في أي بيئة دون إتاوات أو قيود تعاقدية.

تستفيد فرق المؤسسات التي لديها متطلبات سيادة البيانات بشكل أكبر من نموذج Hybrid Cloud. يمكن لفرق الأمان والامتثال في الشركات الخاضعة للتنظيم (الرعاية الصحية، التمويل، الحكومة) نشر Qdrant داخل AWS VPC الخاص بهم أو مجموعة Kubernetes المحلية بينما يتولى فريق Qdrant ترقيات الإصدار والمراقبة التشغيلية. هذه هي الفجوة التي لا يستطيع Pinecone هيكلياً سدها.

تشير جولة التمويل Series B البالغة 50 مليون دولار والتي تم جمعها في مارس 2026 إلى الاتجاه: البحث المتجهي القابل للتركيب كبنية تحتية دائمة، وليس طبقة مؤقتة يتم استبدالها بامتداد قاعدة بيانات للأغراض العامة. يشمل المستثمرون AVP و Bosch Ventures و Unusual Ventures و Spark Capital و 42CAP، مع التحقق من صحة العملاء من Canva و HubSpot و Roche و OpenTable وحاسوب Aurora الفائق التابع لـ Argonne National Laboratory.

ما لا يمثله Qdrant

لا يعد Qdrant بديلاً جاهزاً لقاعدة بيانات للأغراض العامة. فهو لا يدعم SQL أو الصلات العلائقية (relational joins) أو المعاملات بالمعنى التقليدي. إذا كان تطبيقك يعالج البيانات المهيكلة بشكل أساسي وتريد إضافة بحث متجهي أساسي، فقد يكون امتداد Postgres مثل pgvector أبسط وكافياً. تكمن قوة Qdrant في الاسترجاع المتجهي الخالص على نطاق واسع؛ إذا كنت لا تعمل مع التضمينات أو البحث عن التشابه، فلا يوجد سبب لإضافته إلى حزمة التقنيات الخاصة بك.

Qdrant غير مناسب للفرق التي لا تريد تحمل أي مسؤولية تجاه البنية التحتية. في حين أن Qdrant Cloud يبسط العمليات بشكل كبير، فإن عمليات النشر الإنتاجية المستضافة ذاتياً تتطلب استثماراً هندسياً: تحديد حجم المجموعة، وتخطيط فهرس الحمولة، واستراتيجية التكميم، وتكوين النسخ الاحتياطي، وإعداد المراقبة. يقوم Pinecone بتجريد كل هذا بعيداً بشكل حقيقي، على حساب المرونة والتحكم في البيانات.

واجهة مستخدم لوحة معلومات Qdrant وظيفية ولكنها بسيطة. لا يمكنك حذف المجموعات بشكل مجمع حسب النمط، أو تحديد مجموعات متعددة للعمليات، أو تصور مساحات التضمين بدون أدوات خارجية. ستجد الفرق التي تعتمد على واجهات المستخدم الرسومية (GUIs) لقواعد البيانات في العمليات اليومية أنها مقيدة. تعد واجهة برمجة التطبيقات (API) وواجهة سطر الأوامر (CLI) هي الواجهات الأساسية، وهو ما يناسب المهندسين ولكنه يخلق احتكاكاً لفرق البيانات التي ليس لديها خلفيات في البرمجة.

يمكن أن يتدهور أداء التصفية على نطاق واسع جداً. أظهرت مشكلة موثقة على GitHub من سبتمبر 2025 انخفاض الطلبات في الثانية (RPS) من 362 إلى 268 في ظل استعلامات تصفية النطاق عبر 260 مليون نقطة. هذه مقايضة معروفة وقد نشرت Qdrant إرشادات للضبط، لكنها تتطلب تصميماً متعمداً لفهرس الحمولة منذ البداية، وليس كفكرة لاحقة.