M365Con 2027 – conferenza online gratuita · 11–22 Jan 2027 · 120 sessions m365con.net

Qdrant

Prodotto

Qdrant è un database vettoriale open source e un motore di ricerca per similarità scritto in Rust, usato per archiviare embedding con metadati payload per la ricerca semantica filtrata e per la retrieval-augmented generation.

◆ PRODOTTOQdrantM365.FM
Immagine del titolo: Qdrant (Prodotto)

Trattati anche

L’episodio su Qdrant parla anche di Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 e Vector store.

Descrizione

Qdrant è un database vettoriale open source e un motore di ricerca per similarità scritto in Rust. Archivia gli embedding, cioè rappresentazioni vettoriali numeriche di contenuti come il testo, insieme ai metadati payload, e restituisce gli elementi più simili a un vettore di query. Gli usi tipici sono la ricerca semantica e la retrieval-augmented generation (RAG), in cui un'applicazione cerca materiale di origine pertinente e lo passa a un modello linguistico come contesto.

In una pipeline RAG, Qdrant funge da vector store. I documenti vengono acquisiti, convertiti in embedding e scritti in Qdrant. Al momento della query, la domanda viene trasformata in embedding nello stesso modo e vengono recuperate le corrispondenze più vicine. Una pagina di Microsoft Learn sulla creazione di pipeline RAG con Qdrant e Azure Files descrive questa configurazione, con Azure Files come origine dei documenti. Framework di orchestrazione come LangChain, LlamaIndex e Haystack gestiscono l'acquisizione e il recupero al momento della query, quindi non è necessario che ogni parte dell'applicazione chiami Qdrant direttamente.

Una caratteristica centrale è il payload. Qdrant può archiviare metadati JSON serializzabili arbitrari accanto a ciascun vettore e filtrarli quando viene eseguita una query. Secondo la pagina di Microsoft Learn, questo filtraggio avviene durante l'attraversamento del grafo HNSW invece che come post-filtro, quindi il filtro non riduce le prestazioni della ricerca. Ciò è importante quando una ricerca deve essere limitata, ad esempio a documenti con determinati attributi, pur restando ordinata per somiglianza semantica. Le collection vengono create automaticamente al primo inserimento, con una dimensione vettoriale e una metrica di distanza adeguate.

Le opzioni di distribuzione sono un punto decisionale. Qdrant può essere self-hosted, ad esempio su Azure Kubernetes Service insieme agli endpoint privati di Azure Files, il che mantiene la pipeline all'interno del perimetro di rete del tenant. In alternativa, Qdrant Cloud offre un servizio gestito con la stessa API della versione self-hosted e, secondo la pagina, un piano gratuito è sufficiente per sviluppo e test. Qdrant è inoltre disponibile tramite Azure Marketplace, che consente la fatturazione attraverso una sottoscrizione Azure. La pagina della documentazione qui citata non indica termini di licenza, limiti di capacità o dati sulle prestazioni, quindi questi aspetti vanno verificati separatamente in fase di pianificazione del progetto.

Nell'ecosistema Microsoft, Qdrant compare accanto a servizi come Azure Files, Azure Kubernetes Service e Azure Marketplace, e può essere combinato con applicazioni basate su .NET che usano la ricerca semantica. L'episodio di M365.FM "Build AI Applications with .NET 10" (2025-11-03) colloca Qdrant, insieme a Weaviate, nel livello infrastrutturale di un'architettura di applicazioni AI sotto "Semantic Search & Vector Databases". In quel livello si affianca alla gestione dei dati con Entity Framework Core e Cosmos DB e a CI/CD e MLOps con GitHub Actions. L'episodio lo tratta come un elemento costitutivo di uno stack più ampio piuttosto che come un prodotto autonomo, e descrive funzionalità AI come suggerimenti intelligenti e input vocale come parte del livello di intelligenza dell'applicazione.

Per i team che scelgono un vector store, le domande pratiche riguardano dove possono essere ospitati i dati, se serve il filtraggio dei metadati insieme al ranking per similarità e se un servizio gestito o self-operated è adatto alla capacità operativa disponibile. Le fonti descrivono Qdrant come capace di coprire entrambi i modelli di hosting con la stessa API, il che consente lo sviluppo su un piano gratuito gestito e un successivo passaggio a una distribuzione self-hosted all'interno di una rete privata, anche se le fonti non descrivono un processo di migrazione.

Panoramica compilata con l'AI dagli episodi di M365.FM e dai dati di questa pagina. Puoi migliorarla con il pulsante di modifica qui sotto.

TipoProdotto

Domande frequenti

Le domande contrassegnate con AI sono state scritte con l'AI a partire dai fatti riportati in questa pagina.

Per cosa si usa Qdrant? (AI)

Qdrant è un database vettoriale e un motore di ricerca per similarità usato per archiviare embedding con metadati payload per la ricerca semantica filtrata e per la retrieval-augmented generation. In una pipeline RAG funge da vector store che restituisce i contenuti più simili a una query.

Come gestisce Qdrant il filtraggio dei metadati? (AI)

Qdrant archivia metadati JSON serializzabili arbitrari come payload e può filtrarli quando viene eseguita una query. Secondo la pagina di Microsoft Learn, il filtraggio avviene durante l'attraversamento del grafo HNSW invece che come post-filtro, quindi le prestazioni della ricerca non vengono ridotte.

Qdrant può essere eseguito su Azure? (AI)

Sì. Può essere self-hosted, ad esempio su Azure Kubernetes Service con endpoint privati di Azure Files, oppure usato come servizio gestito Qdrant Cloud. È inoltre disponibile tramite Azure Marketplace, che consente la fatturazione attraverso una sottoscrizione Azure.

Glossario

Community wiki

Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.

Esperti e aziende per questo argomento

Nessuno ha ancora indicato questo argomento. Aggiungilo al tuo profilo.

Mantenuto da Mirko Peters (Microsoft MVP) · Ultimo aggiornamento: