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

Qdrant

Product

Qdrant é um banco de dados vetorial de código aberto e um mecanismo de busca por similaridade escrito em Rust, usado para armazenar embeddings com metadados de payload para busca semântica filtrada e geração aumentada por recuperação.

◆ PRODUCTQdrantM365.FM
Title graphic: Qdrant (Product)

Também abordados

O episódio sobre Qdrant aborda também Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 e Vector store.

Descrição

Qdrant é um banco de dados vetorial de código aberto e um mecanismo de busca por similaridade escrito em Rust. Ele armazena embeddings, que são representações vetoriais numéricas de conteúdos como texto, junto com metadados de payload, e retorna os itens mais semelhantes a um vetor de consulta. Usos típicos são busca semântica e geração aumentada por recuperação (RAG), em que uma aplicação busca material de origem relevante e o passa a um modelo de linguagem como contexto.

Em um pipeline RAG, o Qdrant atua como o armazenamento vetorial. Os documentos são ingeridos, convertidos em embeddings e gravados no Qdrant. No momento da consulta, a pergunta é transformada em embedding da mesma forma e as correspondências mais próximas são recuperadas. Uma página do Microsoft Learn sobre a criação de pipelines RAG com Qdrant e Azure Files descreve essa configuração, com o Azure Files como fonte dos documentos. Frameworks de orquestração como LangChain, LlamaIndex e Haystack cuidam da ingestão e da recuperação no momento da consulta, de modo que nem toda parte da aplicação precisa chamar o Qdrant diretamente.

Um recurso central é o payload. O Qdrant pode armazenar metadados arbitrários serializáveis em JSON junto a cada vetor e filtrar por eles quando uma consulta é executada. Segundo a página do Microsoft Learn, essa filtragem acontece durante a travessia do grafo HNSW, e não como pós-filtragem, de modo que o desempenho da busca não é reduzido pelo filtro. Isso é importante quando a busca precisa ser restrita, por exemplo a documentos com determinados atributos, mantendo ao mesmo tempo a ordenação por similaridade semântica. As coleções são criadas automaticamente na primeira inserção, com uma dimensão de vetor e uma métrica de distância adequadas.

As opções de implantação são um ponto de decisão. O Qdrant pode ser hospedado por conta própria, por exemplo no Azure Kubernetes Service junto com endpoints privados do Azure Files, o que mantém o pipeline dentro do limite de rede do locatário. Alternativamente, o Qdrant Cloud oferece um serviço gerenciado com a mesma API da versão self-hosted, e, segundo a página, um plano gratuito basta para desenvolvimento e testes. O Qdrant também está disponível pelo Azure Marketplace, o que permite o faturamento por meio de uma assinatura do Azure. A página de documentação referenciada aqui não informa termos de licenciamento, limites de capacidade ou números de desempenho, de modo que esses pontos precisam ser verificados separadamente ao planejar um projeto.

No ecossistema Microsoft, o Qdrant aparece ao lado de serviços como Azure Files, Azure Kubernetes Service e Azure Marketplace, e pode ser combinado com aplicações baseadas em .NET que usam busca semântica. O episódio do M365.FM "Build AI Applications with .NET 10" (2025-11-03) posiciona o Qdrant, junto com o Weaviate, na camada de infraestrutura de uma arquitetura de aplicações de IA, sob "Semantic Search & Vector Databases". Nessa camada, ele fica ao lado da gestão de dados com Entity Framework Core e Cosmos DB e de CI/CD e MLOps com GitHub Actions. O episódio o trata como um bloco de construção de uma pilha maior, e não como produto isolado, e descreve recursos de IA, como sugestões inteligentes e entrada por voz, como parte da camada de inteligência da aplicação.

Para equipes que escolhem um armazenamento vetorial, as questões práticas são onde os dados podem ser hospedados, se é necessária a filtragem por metadados junto com a ordenação por similaridade e se um serviço gerenciado ou operado por conta própria se adequa à capacidade operacional. As fontes descrevem o Qdrant como cobrindo os dois modelos de hospedagem com a mesma API, o que permite desenvolver em um plano gratuito gerenciado e depois migrar para uma implantação self-hosted dentro de uma rede privada, embora as fontes não descrevam um processo de migração.

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

TipoProduct

Perguntas frequentes

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

Para que o Qdrant é usado? (AI)

O Qdrant é um banco de dados vetorial e mecanismo de busca por similaridade usado para armazenar embeddings com metadados de payload, para busca semântica filtrada e geração aumentada por recuperação. Em um pipeline RAG, ele atua como o armazenamento vetorial que retorna o conteúdo mais semelhante para uma consulta.

Como o Qdrant lida com a filtragem por metadados? (AI)

O Qdrant armazena metadados arbitrários serializáveis em JSON como payload e pode filtrar por eles quando uma consulta é executada. Segundo a página do Microsoft Learn, a filtragem acontece durante a travessia do grafo HNSW, e não como pós-filtragem, de modo que o desempenho da busca não é reduzido.

O Qdrant pode ser executado no Azure? (AI)

Sim. Ele pode ser hospedado por conta própria, por exemplo no Azure Kubernetes Service com endpoints privados do Azure Files, ou usado como o serviço gerenciado Qdrant Cloud. Também está disponível pelo Azure Marketplace, o que permite o faturamento por meio de uma assinatura do Azure.

Glossário

Community wiki

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

Especialistas e empresas para este tópico

Ninguém indicou ainda este tópico. Adicione-o ao seu perfil.

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