M365Con 2027 – bezpłatna konferencja online · 11–22 Jan 2027 · 120 sessions m365con.net

Qdrant

Product

Qdrant to otwartoźródłowa baza wektorowa i silnik wyszukiwania podobieństwa napisany w języku Rust. Służy do przechowywania osadzeń (embeddings) wraz z metadanymi payload, co umożliwia filtrowane wyszukiwanie semantyczne i generowanie wspomagane wyszukiwaniem (retrieval-augmented generation).

◆ PRODUCTQdrantM365.FM
Title graphic: Qdrant (Product)

Omawiane również

W odcinku na temat Qdrant pojawiają się też: Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 i Vector store.

Opis

Qdrant to otwartoźródłowa baza wektorowa i silnik wyszukiwania podobieństwa napisany w języku Rust. Przechowuje osadzenia, czyli liczbowe reprezentacje wektorowe treści, takich jak tekst, wraz z metadanymi payload, a w odpowiedzi na zapytanie wektorowe zwraca elementy najbardziej podobne do zapytania. Typowe zastosowania to wyszukiwanie semantyczne oraz generowanie wspomagane wyszukiwaniem (RAG, retrieval-augmented generation), w którym aplikacja wyszukuje odpowiednie materiały źródłowe i przekazuje je modelowi językowemu jako kontekst.

W potoku RAG Qdrant pełni rolę magazynu wektorów. Dokumenty są wczytywane, zamieniane na osadzenia i zapisywane w Qdrant. W momencie zapytania pytanie jest zamieniane na osadzenie w ten sam sposób, a następnie pobierane są najbliższe dopasowania. Strona Microsoft Learn o budowaniu potoków RAG z Qdrant i Azure Files opisuje taką konfigurację, w której źródłem dokumentów jest Azure Files. Frameworki orkiestracyjne, takie jak LangChain, LlamaIndex i Haystack, obsługują wczytywanie i wyszukiwanie w czasie zapytania, dzięki czemu Qdrant nie musi być wywoływany bezpośrednio przez każdy element aplikacji.

Kluczową cechą jest payload. Qdrant może przechowywać przy każdym wektorze dowolne metadane serializowalne do JSON i filtrować po nich podczas wykonywania zapytania. Według strony Microsoft Learn filtrowanie odbywa się podczas przechodzenia po grafie HNSW, a nie jako filtrowanie końcowe, dzięki czemu filtr nie obniża wydajności wyszukiwania. Ma to znaczenie, gdy wyniki muszą być ograniczone, na przykład do dokumentów o określonych atrybutach, a jednocześnie mają być uszeregowane według podobieństwa semantycznego. Kolekcje są tworzone automatycznie przy pierwszym wstawieniu danych, z odpowiednim wymiarem wektora i metryką odległości.

Wybór sposobu wdrożenia jest istotną decyzją. Qdrant można hostować samodzielnie, na przykład w Azure Kubernetes Service wraz z prywatnymi punktami końcowymi Azure Files, co utrzymuje potok w granicach sieci dzierżawy. Alternatywnie Qdrant Cloud oferuje usługę zarządzaną z tym samym API co wersja samodzielna, a według strony bezpłatny poziom wystarcza do rozwoju i testów. Qdrant jest także dostępny w Azure Marketplace, co pozwala na rozliczanie przez subskrypcję Azure. Przywoływana strona dokumentacji nie podaje warunków licencyjnych, limitów pojemności ani wskaźników wydajności, dlatego te kwestie należy sprawdzić osobno podczas planowania projektu.

W ekosystemie Microsoft Qdrant występuje obok usług takich jak Azure Files, Azure Kubernetes Service i Azure Marketplace i może być łączony z aplikacjami opartymi na .NET, które korzystają z wyszukiwania semantycznego. Odcinek M365.FM "Build AI Applications with .NET 10" (2025-11-03) umieszcza Qdrant wraz z Weaviate w warstwie infrastruktury architektury aplikacji AI, w ramach kategorii "Semantic Search & Vector Databases". W tej warstwie znajduje się obok zarządzania danymi za pomocą Entity Framework Core i Cosmos DB oraz CI/CD i MLOps z GitHub Actions. Odcinek traktuje go jako jeden z elementów większego stosu, a nie jako samodzielny produkt, a funkcje AI, takie jak inteligentne sugestie i wprowadzanie głosowe, opisuje jako część warstwy inteligencji aplikacji.

Dla zespołów wybierających magazyn wektorów praktyczne pytania dotyczą tego, gdzie mogą być hostowane dane, czy potrzebne jest filtrowanie metadanych obok rankingu podobieństwa oraz czy usługa zarządzana czy samodzielnie obsługiwana pasuje do posiadanych zasobów operacyjnych. Źródła opisują Qdrant jako obsługujący oba modele hostingu z tym samym API, co pozwala na rozwój w bezpłatnym zarządzanym poziomie, a później na przejście do wdrożenia samodzielnego w prywatnej sieci, choć źródła nie opisują procesu migracji.

Overview compiled with AI from M365.FM episodes and the facts on this page. You can improve it with the edit button below.

TypProduct

Często zadawane pytania

Questions marked with AI were written with AI from the facts on this page.

Do czego służy Qdrant? (AI)

Qdrant to baza wektorowa i silnik wyszukiwania podobieństwa używany do przechowywania osadzeń wraz z metadanymi payload na potrzeby filtrowanego wyszukiwania semantycznego i generowania wspomaganego wyszukiwaniem (RAG). W potoku RAG pełni rolę magazynu wektorów, który zwraca najbardziej podobne treści do zapytania.

Jak Qdrant obsługuje filtrowanie metadanych? (AI)

Qdrant przechowuje dowolne metadane serializowalne do JSON jako payload i może po nich filtrować podczas wykonywania zapytania. Według strony Microsoft Learn filtrowanie odbywa się podczas przechodzenia po grafie HNSW, a nie jako filtrowanie końcowe, dzięki czemu wydajność wyszukiwania nie jest obniżona.

Czy Qdrant można uruchomić w Azure? (AI)

Tak. Można go hostować samodzielnie, na przykład w Azure Kubernetes Service wraz z prywatnymi punktami końcowymi Azure Files, lub korzystać z usługi zarządzanej Qdrant Cloud. Jest też dostępny w Azure Marketplace, co pozwala na rozliczanie przez subskrypcję Azure.

Słownik

Community wiki

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

Eksperci i firmy w tym temacie

Nikt jeszcze nie wskazał tego tematu. Dodaj go do swojego profilu.

Maintained by Mirko Peters (Microsoft MVP) · Last updated: