产品详细介绍

Qdrant 是一款专为现代 AI 检索场景打造的开源向量搜索引擎，核心由 Rust 编写，兼具高性能、低延迟与高可靠性。它面向需要向量相似度搜索、语义检索、多模态检索和个性化推荐等场景的团队，帮助快速搭建从小规模实验到大规模生产级的检索基础设施。

Qdrant 支持将向量与结构化元数据一起存储，元数据以 JSON 形式管理，并提供丰富的过滤能力，包括嵌套字段过滤、文本过滤、地理位置过滤（geo）、has_vector 判断等。通过在 HNSW 图遍历过程中直接应用过滤条件，Qdrant 能在复杂过滤条件下依然保持高召回率和低延迟，无需额外的预过滤或后过滤步骤。

在检索能力上，Qdrant 不仅支持稠密向量搜索，还支持稀疏向量和关键词检索，可在同一查询中灵活组合关键词与向量搜索，实现真正的混合检索（Hybrid Search）。它内置对 BM25、SPLADE++、miniCOIL 等检索模型的支持，能够在传统关键词检索与语义检索之间取得更好的平衡，显著提升结果相关性。

为了满足更复杂的业务需求，Qdrant 提供多向量（multiple vectors per object）能力，使同一对象可以存储多种模态或多种语义空间的向量，例如文本、图像、音频等，从而构建更灵活、更具表现力的多模态检索层。配合业务逻辑可进行打分加权（score boosting）、使用 ColBERT 等晚交互模型实现 token 级精度，以及通过最大边际相关性（MMR）实现结果多样化。

在工程能力与部署模式上，Qdrant 具有“开源 DNA + 企业级特性”的组合优势。用户可以选择完全自托管部署（本地、私有云、混合云、边缘环境），也可以使用官方提供的 Qdrant Cloud 托管服务。Qdrant Cloud 在 AWS、GCP、Azure 上提供高可用、自动分片（auto-sharding）和弹性扩缩容能力，适合对运维成本敏感的团队。

对于有严格合规和数据安全要求的企业，Qdrant 支持隔离部署（air-gapped）、细粒度访问控制以及在自有 Kubernetes 集群中运行，控制面与数据面解耦，既能保持云原生弹性，又能确保数据完全掌控在企业内部。其轻量化、低延迟的特性也非常适合在边缘侧部署，将向量搜索能力尽可能靠近数据产生的位置，减少网络开销并提升实时性。

Qdrant 已经在多种行业和应用中得到验证：

  • 为旅游与出行场景提供 AI 行程规划，在处理数十亿条评论和图片数据的同时，显著提升转化率和收入（2–3 倍增长）。
  • 为实时对话与多智能体平台提供上下文检索，在数百万级会话中保持低延迟和高相关性。
  • 为 AI 代理平台和工具提供可扩展的向量检索基础设施，在降低延迟的同时提升吞吐量（如延迟降低 90%、吞吐提升 150%）。

无论是构建 RAG（检索增强生成）系统、语义搜索、推荐系统、多模态检索，还是复杂的企业知识库检索，Qdrant 都能作为核心的向量检索引擎，为上层 AI 应用提供稳定、高性能的检索底座。

简单使用教程

以下为基于典型使用流程的简明教程，帮助你快速理解如何上手 Qdrant（具体命令和 SDK 用法以官方文档为准）：

  1. 选择部署方式

    • 若希望快速体验或减少运维，可选择 Qdrant Cloud，在 AWS/GCP/Azure 上创建托管集群。
    • 若需要自托管，可通过 Docker、Kubernetes 或二进制方式在本地、私有云或边缘环境部署 Qdrant 服务。

  2. 启动服务并确认健康状态

    • 启动 Qdrant 后，通过 HTTP API 访问健康检查端点（如 /healthz）或 Web 控制台，确认服务已正常运行。
    • 记录服务地址和端口（例如 http://localhost:6333），后续 SDK 或 API 调用将使用该地址。

  3. 创建集合（Collection）

    • 在 Qdrant 中，向量数据按集合组织。创建集合时需要指定：
      • 向量维度（如 384、768 等，需与上游向量模型一致）；
      • 向量类型（稠密/稀疏，或多向量配置）；
      • 距离度量方式（如 cosine、dot、euclid）。
    • 可通过 REST API 或官方 SDK（如 Python、TypeScript 等）发送创建集合请求。

  4. 写入向量与元数据

    • 将文本、图片等原始数据通过向量化模型（如 BERT、Sentence Transformers、CLIP 等）转换为向量。
    • 调用 Qdrant 的写入接口，将向量与对应的 JSON 元数据一起插入集合中：
      • 每条记录通常包含：唯一 ID、向量数组、元数据（如标题、标签、时间戳、地理位置等）。
    • 可选择批量写入以提升导入效率。

  5. 执行向量搜索与过滤

    • 在查询时，将用户输入（如搜索问题、查询文本、图像特征）转换为向量。
    • 调用搜索接口，指定：
      • 查询向量；
      • 返回结果数量（top-k）；
      • 可选的过滤条件（如某个字段值、时间范围、地理范围、是否存在向量等）。
    • Qdrant 会在 HNSW 图遍历过程中直接应用过滤条件，返回满足条件且相似度最高的结果。

  6. 使用混合检索与多向量能力（可选）

    • 若需要同时利用关键词与语义检索，可在同一查询中组合 BM25 或 SPLADE++ 等稀疏向量，与稠密向量一起进行混合检索。
    • 对于多模态或多语义空间的场景，可以为同一对象存储多个向量（如文本向量、图像向量），在查询时选择或组合不同向量空间进行检索。

  7. 集成到 AI 应用中

    • 在 RAG 应用中，将 Qdrant 的检索结果作为上游知识片段，传入大语言模型进行回答生成。
    • 在推荐或搜索系统中，将 Qdrant 的相似度结果与业务打分逻辑结合，通过 score boosting、MMR 等策略优化排序和多样性。
    • 持续监控延迟、召回率和相关性，根据业务需求调整集合配置、索引参数和过滤策略。

通过以上步骤，你可以从零开始搭建一个基于 Qdrant 的向量检索服务，并逐步扩展到混合检索、多模态检索以及大规模生产环境部署。