Qdrant
Product
Qdrant adalah basis data vektor sumber terbuka dan mesin pencarian kemiripan yang ditulis dalam Rust, digunakan untuk menyimpan embedding bersama metadata payload untuk pencarian semantik yang difilter dan retrieval-augmented generation.
Juga dibahas
Episode tentang Qdrant itu juga membahas Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001, dan Vector store.
Description
Qdrant adalah basis data vektor sumber terbuka dan mesin pencarian kemiripan yang ditulis dalam Rust. Qdrant menyimpan embedding, yaitu representasi vektor numerik dari konten seperti teks, bersama metadata payload, lalu mengembalikan item yang paling mirip dengan vektor kueri. Penggunaan umumnya adalah pencarian semantik dan retrieval-augmented generation (RAG), di mana sebuah aplikasi mencari materi sumber yang relevan dan meneruskannya ke model bahasa sebagai konteks.
Dalam pipeline RAG, Qdrant berperan sebagai penyimpanan vektor. Dokumen diserap, diubah menjadi embedding, dan ditulis ke Qdrant. Saat kueri dijalankan, pertanyaan diubah menjadi embedding dengan cara yang sama dan hasil yang paling dekat diambil. Sebuah halaman Microsoft Learn tentang membangun pipeline RAG dengan Qdrant dan Azure Files menjelaskan penyiapan ini dengan Azure Files sebagai sumber dokumen. Framework orkestrasi seperti LangChain, LlamaIndex, dan Haystack menangani penyerapan dan pengambilan saat kueri dijalankan, sehingga Qdrant sendiri tidak perlu dipanggil langsung oleh setiap bagian aplikasi.
Fitur utama adalah payload. Qdrant dapat menyimpan metadata berbentuk JSON sembarang di samping setiap vektor dan memfilter berdasarkan metadata tersebut saat kueri dijalankan. Menurut halaman Microsoft Learn, pemfilteran ini terjadi selama penelusuran graf HNSW, bukan sebagai post-filter, sehingga kinerja pencarian tidak berkurang karena filter. Hal ini penting ketika pencarian harus dibatasi, misalnya hanya pada dokumen dengan atribut tertentu, tetapi tetap diurutkan berdasarkan kemiripan semantik. Koleksi dibuat secara otomatis saat penyisipan pertama, dengan dimensi vektor dan metrik jarak yang sesuai.
Opsi penerapan merupakan titik keputusan. Qdrant dapat di-hosting sendiri, misalnya pada Azure Kubernetes Service bersama private endpoint Azure Files, yang menjaga pipeline tetap berada dalam batas jaringan tenant. Sebagai alternatif, Qdrant Cloud menawarkan layanan terkelola dengan API yang sama seperti versi self-hosted, dan menurut halaman tersebut, tier gratis cukup untuk pengembangan dan pengujian. Qdrant juga tersedia melalui Azure Marketplace, yang memungkinkan penagihan melalui langganan Azure. Halaman dokumentasi yang dirujuk di sini tidak menyebutkan ketentuan lisensi, batas kapasitas, atau angka kinerja, sehingga poin-poin tersebut perlu diperiksa secara terpisah saat merencanakan proyek.
Dalam ekosistem Microsoft, Qdrant muncul bersama layanan seperti Azure Files, Azure Kubernetes Service, dan Azure Marketplace, dan dapat dikombinasikan dengan aplikasi berbasis .NET yang menggunakan pencarian semantik. Episode M365.FM "Build AI Applications with .NET 10" (2025-11-03) menempatkan Qdrant, bersama Weaviate, di lapisan infrastruktur arsitektur aplikasi AI di bawah "Semantic Search & Vector Databases". Di lapisan tersebut, Qdrant berada bersama pengelolaan data dengan Entity Framework Core dan Cosmos DB serta CI/CD dan MLOps dengan GitHub Actions. Episode ini memperlakukannya sebagai salah satu blok bangunan dalam tumpukan yang lebih besar, bukan produk yang berdiri sendiri, dan menggambarkan fitur AI seperti saran cerdas dan input suara sebagai bagian dari lapisan kecerdasan aplikasi.
Bagi tim yang memilih penyimpanan vektor, pertanyaan praktisnya adalah di mana data boleh di-hosting, apakah pemfilteran metadata diperlukan bersama pengurutan kemiripan, dan apakah layanan terkelola atau yang dioperasikan sendiri sesuai dengan kapasitas operasional. Sumber-sumber tersebut menggambarkan Qdrant mencakup kedua model hosting dengan API yang sama, yang memungkinkan pengembangan pada tier gratis terkelola dan perpindahan berikutnya ke penerapan self-hosted di dalam jaringan privat, meskipun sumber tersebut tidak menjelaskan proses migrasinya.
Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.
| Type | Product |
|---|
Frequently asked questions
Questions marked with AI were written with AI from the facts on this page.
Untuk apa Qdrant digunakan? (AI)
Qdrant adalah basis data vektor dan mesin pencarian kemiripan yang digunakan untuk menyimpan embedding bersama metadata payload untuk pencarian semantik yang difilter dan retrieval-augmented generation. Dalam pipeline RAG, Qdrant berperan sebagai penyimpanan vektor yang mengembalikan konten paling mirip untuk sebuah kueri.
Bagaimana Qdrant menangani pemfilteran metadata? (AI)
Qdrant menyimpan metadata berbentuk JSON sembarang sebagai payload dan dapat memfilter berdasarkan metadata tersebut saat kueri dijalankan. Menurut halaman Microsoft Learn, pemfilteran terjadi selama penelusuran graf HNSW, bukan sebagai post-filter, sehingga kinerja pencarian tidak berkurang.
Apakah Qdrant dapat dijalankan di Azure? (AI)
Ya. Qdrant dapat di-hosting sendiri, misalnya pada Azure Kubernetes Service dengan private endpoint Azure Files, atau digunakan sebagai layanan terkelola Qdrant Cloud. Qdrant juga tersedia melalui Azure Marketplace, yang memungkinkan penagihan melalui langganan 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 and companies for this topic
Nobody has listed this topic yet. Add it to your profile.
Maintained by Mirko Peters (Microsoft MVP) · Last updated: