Qdrant

Qdrant 是一款使用 Rust 构建的开源向量相似度搜索引擎和数据库，由首席执行官 Andre Zayarni 和首席技术官 Andrey Vasnetsov 领导的柏林团队创建。它于 2021 年首次发布，采用 Apache 2.0 许可，专为出色地解决一个特定问题而构建：在生产规模下存储、索引和查询高维嵌入向量。它不是一个通用数据库。Vasnetsov 曾直接描述过其理念：“可扩展性和性能比事务一致性重要得多，因此它应该被视为搜索引擎而不是数据库。”这种专注在其实际应用中得到了充分体现。

其核心功能包括密集向量搜索（基于 HNSW）、支持关键字式检索的稀疏向量，以及在服务器端将两者结合进行多阶段混合搜索的 Query API。Payload 过滤功能允许您在单次查询中将向量相似度与结构化元数据条件相结合。量化选项（标量、二进制、1.5-bit、2-bit、非对称）可在不重建索引的情况下压缩内存中的向量。Qdrant Cloud 提供永久免费的单节点层、基于使用量的标准定价，以及一种混合云（Hybrid Cloud）模型——数据库在客户基础设施上运行，而 Qdrant 负责管理运维。截至 2026 年 3 月，该项目的下载量已超过 2.5 亿次，并在 GitHub 上获得了 29,000 颗星。

2026 年 4 月 Qdrant 的实际功能

Qdrant 接收向量嵌入以及任意 JSON payload，构建针对近似最近邻搜索进行优化的 HNSW（分层可导航小世界）索引，并返回按 payload 条件过滤后的排序结果。1.10 版本中引入的 Query API 允许您链接检索阶段：第一遍使用量化向量寻找候选者，第二遍使用全精度向量对它们进行重新评分，并且元数据过滤器可应用于任一阶段。这是在服务器端完成的，这意味着您的应用程序只需发送一次请求，而无需协调多次往返交互。

最新版本添加了 GPU 加速的 HNSW 索引以更快地摄取大型集合，最大边际相关性 (MMR) 以平衡结果中的相关性与多样性，ACORN 算法以提供更高质量的过滤搜索，以及将向量相似度与自定义业务信号（新近度、用户层级、受欢迎程度）融合的 Score-Boosting Reranking（分数提升重排）。2025 年发布的 Qdrant Edge 是一种轻量级嵌入式变体，专为在计算能力有限的设备（包括机器人、销售终端和手机）上运行的 AI 而设计。Qdrant Cloud Inference（于 2025 年 7 月推出）将密集、稀疏和图像嵌入生成直接与托管搜索服务捆绑在一起，从而无需单独调用嵌入 API。

自托管版本可作为单个二进制文件、Docker 容器或在 Kubernetes 上运行。集合、快照和集群配置通过 REST 或 gRPC API 进行管理。基于 Web 的仪表板提供基本的集合浏览和搜索测试，尽管它不支持从 UI 进行批量操作。

Qdrant 与 Weaviate 和 Pinecone 的定位对比

最常被比较的三款专用向量数据库是 Qdrant、Weaviate 和 Pinecone。它们之间的差异是架构上的，而不仅仅是表面上的。

Weaviate 使用 Go 语言编写，采用模块化架构，其中向量索引、存储后端和搜索模块可分别插拔。在内存压力下，Go 的垃圾回收器偶尔会引入延迟峰值。Qdrant 的 Rust 实现完全避免了 GC 暂停，这对于具有严格尾部延迟要求的应用程序至关重要。Weaviate 强调具有知识图谱功能和 GraphQL API 的面向对象存储模型，使其更适合需要关系图遍历以及向量相似度的应用程序。其混合搜索使用 relativeScoreFusion，保留了每种搜索方法的原始指标值。Qdrant 的混合方法使用 prefetch-and-rescore（预取和重新评分），让您能够准确指定候选者在各个阶段之间的流动方式。两者都是开源的，并且都支持自托管。

Pinecone 是专有软件，没有自托管选项，也没有开源许可。其架构在基础设施层面将存储与计算分离，实现了向数百亿个向量的无服务器扩展，且基本无需基础设施管理。这种简单性是有代价的：您无法在自己的基础设施上运行 Pinecone，无法实现数据主权，并且存在完全的供应商锁定。对于受 GDPR 限制、有受监管行业合规要求或数据驻留义务的团队来说，Pinecone 根本不是一个选项。Qdrant Hybrid Cloud 恰好填补了这一空白：它提供了托管运维体验，同时将数据和计算保留在客户控制的基础设施内。Pinecone 也没有免费的自托管层。Qdrant 的核心采用 Apache 2.0 许可，并且永久免费。

“Qdrant 为我们要求苛刻的推荐和 RAG 应用程序提供支持。我们选择它是因为它易于部署且在大规模下具有高性能，其结果一直令我们印象深刻。” - Srubin Sethu Madhavan，HubSpot 技术主管，qdrant.tech/blog/case-study-hubspot，2024

生产工作流的实际情况

使用 Qdrant 的典型 RAG 管道如下所示：文档被分块，通过外部模型（OpenAI、Cohere、Jina 或现在的 Qdrant Cloud Inference）进行嵌入，并连同 payload 元数据（文档 ID、时间戳、来源、租户 ID）一起插入/更新（upsert）到集合中。在查询时，用户的输入被嵌入并发送到 Qdrant 的 Query API，同时带有一个 payload 过滤器，将结果限制为当前租户和相关日期范围。Qdrant 运行预取阶段（对量化向量进行快速近似搜索），然后是重新评分阶段（对顶级候选者进行全精度排序），并将最终的排序列表返回给应用程序，应用程序将其作为上下文传递给 LLM。

对于在单个 Qdrant 集群上构建多租户 SaaS 的团队，分层多租户（Tiered Multitenancy，2025 年添加）允许在同一集合中混合大型租户和小型租户，而不会降低每个租户的性能。对于推荐系统，工作流类似，但使用的是行为嵌入：用户交互向量被增量存储和更新，在运行时针对内容向量进行查询。TripAdvisor 在超过 10 亿条评论的规模上构建了此系统，据报道，与传统搜索界面相比，使用其 AI Trip Planner 的用户带来的收入增加了 2-3 倍。

“Qdrant 对我们的转型至关重要。当您处理超过十亿条用户生成的多模态内容时……” - Rahul Todkar，TripAdvisor 数据与 AI 主管，qdrant.tech/blog/case-study-tripadvisor，2024

Qdrant 为谁而建

Qdrant 专为需要在生产 AI 系统中拥有专用向量搜索层的机器学习工程师和后端工程师而构建。如果您正在构建 RAG、语义文档搜索、个性化推荐、图像相似度搜索或代理检索管道，并且需要在大规模下可预测的低延迟性能，那么 Qdrant 是 2026 年的强大默认选择。Apache 2.0 许可意味着您可以在任何环境中运行它，而无需支付版税或受合同限制。

有数据主权要求的企业团队将从混合云（Hybrid Cloud）模型中获益最多。受监管公司（医疗保健、金融、政府）的安全和合规团队可以将 Qdrant 部署在他们自己的 AWS VPC 或本地 Kubernetes 集群中，而 Qdrant 的团队负责版本升级和运维监控。这正是 Pinecone 在结构上无法填补的空白。

2026 年 3 月筹集的 5000 万美元 B 轮融资指明了方向：可组合的向量搜索作为永久性基础设施，而不是将被通用数据库扩展取代的临时层。投资者包括 AVP、Bosch Ventures、Unusual Ventures、Spark Capital 和 42CAP，并获得了 Canva、HubSpot、Roche、OpenTable 以及阿贡国家实验室的 Aurora 超级计算机的客户验证。

Qdrant 不是什么

Qdrant 不是通用数据库的直接替代品。它不支持 SQL、关系连接或传统意义上的事务。如果您的应用程序主要操作结构化数据，并且您想添加基本的向量搜索，那么像 pgvector 这样的 Postgres 扩展可能更简单且足够了。Qdrant 的优势在于大规模的纯向量检索；如果您不处理嵌入或相似度搜索，则没有理由将其添加到您的技术栈中。

Qdrant 不适合希望零基础设施责任的团队。虽然 Qdrant Cloud 显著简化了运维，但自托管的生产部署需要工程投入：集群规模调整、payload 索引规划、量化策略、备份配置和监控设置。Pinecone 真正抽象了所有这些，但代价是牺牲了灵活性和数据控制权。

Qdrant 的仪表板 UI 功能实用但极简。如果没有外部工具，您无法按模式批量删除集合、多选集合进行操作或可视化嵌入空间。依赖数据库 GUI 进行日常运维的团队会发现它具有局限性。API 和 CLI 是主要接口，这适合工程师，但会给没有编码背景的数据团队带来阻力。

在极端规模下，过滤性能可能会下降。2025 年 9 月记录的一个 GitHub 问题显示，在跨 2.6 亿个数据点的范围过滤器查询下，RPS 从 362 下降到 268。这是一个已知的权衡，Qdrant 已经发布了调优指南，但这需要从一开始就进行深思熟虑的 payload 索引设计，而不是事后才考虑。