Qdrant
Produit
Qdrant est un moteur de base de données vectorielles et de recherche de similarité open source écrit en Rust, utilisé pour stocker des embeddings avec des métadonnées de charge utile pour la recherche sémantique filtrée et la génération augmentée par récupération.
Également abordés
L’épisode consacré à Qdrant aborde aussi Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 et Vector store.
Description
Qdrant est un moteur de base de données vectorielles et de recherche de similarité open source écrit en Rust. Il stocke des embeddings, c'est-à-dire des représentations vectorielles numériques de contenus tels que des textes, accompagnés de métadonnées de charge utile, et renvoie les éléments les plus similaires à un vecteur de requête. Les usages typiques sont la recherche sémantique et la génération augmentée par récupération (RAG), où une application recherche des documents sources pertinents et les transmet à un modèle de langage comme contexte.
Dans un pipeline RAG, Qdrant joue le rôle de magasin vectoriel. Les documents sont ingérés, convertis en embeddings puis écrits dans Qdrant. Au moment de la requête, la question est transformée en embedding de la même manière et les correspondances les plus proches sont récupérées. Une page de Microsoft Learn consacrée à la création de pipelines RAG avec Qdrant et Azure Files décrit cette configuration, avec Azure Files comme source de documents. Les frameworks d'orchestration tels que LangChain, LlamaIndex et Haystack gèrent l'ingestion et la récupération au moment de la requête, de sorte que chaque partie de l'application n'a pas besoin d'appeler Qdrant directement.
Une fonctionnalité centrale est la charge utile. Qdrant peut stocker des métadonnées arbitraires sérialisables en JSON avec chaque vecteur et filtrer sur ces métadonnées lors de l'exécution d'une requête. Selon la page de Microsoft Learn, ce filtrage s'effectue pendant le parcours du graphe HNSW et non comme un post-filtrage, de sorte que le filtre ne réduit pas les performances de recherche. Cela compte lorsqu'une recherche doit être restreinte, par exemple à des documents présentant certains attributs, tout en étant classée par similarité sémantique. Les collections sont créées automatiquement lors de la première insertion, avec une dimension vectorielle et une métrique de distance adaptées.
Les options de déploiement constituent un point de décision. Qdrant peut être auto-hébergé, par exemple sur Azure Kubernetes Service avec des points de terminaison privés Azure Files, ce qui maintient le pipeline à l'intérieur de la frontière réseau du locataire. Sinon, Qdrant Cloud propose un service géré avec la même API que la version auto-hébergée et, selon la page, une offre gratuite suffit pour le développement et les tests. Qdrant est également disponible via Azure Marketplace, ce qui permet une facturation par l'intermédiaire d'un abonnement Azure. La page de documentation citée ici ne précise pas les conditions de licence, les limites de capacité ni les chiffres de performance ; ces points doivent donc être vérifiés séparément lors de la planification d'un projet.
Dans l'écosystème Microsoft, Qdrant apparaît aux côtés de services tels qu'Azure Files, Azure Kubernetes Service et Azure Marketplace, et il peut être combiné avec des applications .NET qui utilisent la recherche sémantique. L'épisode du podcast M365.FM « Build AI Applications with .NET 10 » (2025-11-03) place Qdrant, avec Weaviate, dans la couche infrastructure d'une architecture d'application d'IA, sous la rubrique « Semantic Search & Vector Databases ». Dans cette couche, il se trouve aux côtés de la gestion des données avec Entity Framework Core et Cosmos DB, ainsi que du CI/CD et du MLOps avec GitHub Actions. L'épisode le présente comme un élément de base d'une pile plus large plutôt que comme un produit autonome, et décrit des fonctionnalités d'IA telles que les suggestions intelligentes et la saisie vocale comme faisant partie de la couche d'intelligence de l'application.
Pour les équipes qui choisissent un magasin vectoriel, les questions pratiques sont : où les données peuvent-elles être hébergées, le filtrage par métadonnées est-il nécessaire en complément du classement par similarité, et un service géré ou auto-exploité correspond-il à la capacité opérationnelle de l'équipe ? Les sources décrivent Qdrant comme couvrant les deux modèles d'hébergement avec la même API, ce qui permet de développer sur une offre gratuite gérée puis de passer ultérieurement à un déploiement auto-hébergé dans un réseau privé, bien que les sources ne décrivent pas de processus de migration.
Aperçu compilé avec l'IA à partir des épisodes M365.FM et des informations de cette page. Tu peux l'améliorer avec le bouton de modification ci-dessous.
| Type | Produit |
|---|
Questions fréquentes
Les questions marquées IA ont été rédigées avec l'IA à partir des informations de cette page.
À quoi sert Qdrant ? (IA)
Qdrant est un moteur de base de données vectorielles et de recherche de similarité utilisé pour stocker des embeddings avec des métadonnées de charge utile, en vue de la recherche sémantique filtrée et de la génération augmentée par récupération. Dans un pipeline RAG, il sert de magasin vectoriel qui renvoie le contenu le plus similaire à une requête.
Comment Qdrant gère-t-il le filtrage par métadonnées ? (IA)
Qdrant stocke des métadonnées arbitraires sérialisables en JSON sous forme de charge utile et peut filtrer sur ces métadonnées lors de l'exécution d'une requête. Selon la page de Microsoft Learn, le filtrage s'effectue pendant le parcours du graphe HNSW et non comme un post-filtrage, de sorte que les performances de recherche ne sont pas réduites.
Qdrant peut-il être exécuté sur Azure ? (IA)
Oui. Il peut être auto-hébergé, par exemple sur Azure Kubernetes Service avec des points de terminaison privés Azure Files, ou utilisé sous forme de service géré Qdrant Cloud. Il est également disponible via Azure Marketplace, ce qui permet une facturation par l'intermédiaire d'un abonnement Azure.
Community wiki
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Experts et entreprises pour ce sujet
Personne n'a encore indiqué ce sujet. Ajoutez-le à votre profil.
Maintenu par Mirko Peters (Microsoft MVP) · Dernière mise à jour: