Qdrant
Product
Qdrant — это векторная база данных и движок поиска по сходству с открытым исходным кодом, написанный на Rust. Она используется для хранения эмбеддингов вместе с метаданными payload для семантического поиска с фильтрами и генерации с дополнением извлечённых данными (retrieval-augmented generation).
Также обсуждаются
В выпуске на тему Qdrant обсуждаются также: Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 и Vector store.
Description
Qdrant — это векторная база данных и движок поиска по сходству с открытым исходным кодом, написанный на Rust. Она хранит эмбеддинги, то есть числовые векторные представления содержимого, например текста, вместе с метаданными payload, и возвращает элементы, наиболее похожие на векторный запрос. Типичные сценарии использования — семантический поиск и генерация с дополнением извлечённых данными (RAG), когда приложение находит релевантные исходные материалы и передаёт их языковой модели в качестве контекста.
В конвейере RAG Qdrant выступает в роли векторного хранилища. Документы загружаются, преобразуются в эмбеддинги и записываются в Qdrant. Во время запроса вопрос преобразуется в эмбеддинг тем же способом, и извлекаются ближайшие совпадения. Страница Microsoft Learn о построении конвейеров RAG с Qdrant и Azure Files описывает такую конфигурацию, где источником документов служат Azure Files. Фреймворки оркестрации, такие как LangChain, LlamaIndex и Haystack, берут на себя загрузку и извлечение при выполнении запроса, поэтому каждой части приложения не нужно напрямую обращаться к Qdrant.
Ключевая возможность — payload. Qdrant может хранить рядом с каждым вектором произвольные метаданные, сериализуемые в JSON, и фильтровать по ним при выполнении запроса. Согласно странице Microsoft Learn, фильтрация происходит во время обхода графа HNSW, а не как постфильтрация, поэтому фильтр не снижает производительность поиска. Это важно, когда поиск нужно ограничить, например, документами с определёнными атрибутами, сохраняя при этом ранжирование по семантическому сходству. Коллекции создаются автоматически при первой вставке с подходящей размерностью вектора и метрикой расстояния.
Выбор варианта развёртывания — это отдельное решение. Qdrant можно развернуть самостоятельно, например, в Azure Kubernetes Service вместе с приватными конечными точками Azure Files, что сохраняет конвейер внутри сетевых границ арендатора. Либо можно использовать Qdrant Cloud — управляемый сервис с тем же API, что и у самостоятельно развёрнутой версии; согласно странице, бесплатного тарифа достаточно для разработки и тестирования. Qdrant также доступен через Azure Marketplace, что позволяет оплачивать его через подписку Azure. На упомянутой странице документации не указаны условия лицензирования, ограничения по объёму и показатели производительности, поэтому эти моменты нужно проверять отдельно при планировании проекта.
В экосистеме Microsoft Qdrant соседствует с такими сервисами, как Azure Files, Azure Kubernetes Service и Azure Marketplace, и его можно комбинировать с приложениями на .NET, использующими семантический поиск. Эпизод M365.FM «Build AI Applications with .NET 10» (2025-11-03) помещает Qdrant вместе с Weaviate в инфраструктурный слой архитектуры AI-приложений в разделе «Semantic Search & Vector Databases». В этом слое он находится рядом с управлением данными через Entity Framework Core и Cosmos DB, а также с CI/CD и MLOps на базе GitHub Actions. В эпизоде Qdrant рассматривается как один из строительных блоков более крупного стека, а не как самостоятельный продукт, а функции ИИ, такие как умные подсказки и голосовой ввод, описаны как часть интеллектуального слоя приложения.
Для команд, выбирающих векторное хранилище, практические вопросы таковы: где могут размещаться данные, нужна ли фильтрация по метаданным наряду с ранжированием по сходству и подходит ли команде управляемый или самостоятельно эксплуатируемый сервис. Источники описывают Qdrant как вариант, поддерживающий обе модели размещения с одним API, что позволяет вести разработку на управляемом бесплатном тарифе и впоследствии перейти к самостоятельному развёртыванию внутри приватной сети, хотя процесс миграции в источниках не описан.
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.
Для чего используется Qdrant? (AI)
Qdrant — это векторная база данных и движок поиска по сходству, которые используются для хранения эмбеддингов с метаданными payload для семантического поиска с фильтрами и генерации с дополнением извлечёнными данными (retrieval-augmented generation). В конвейере RAG она служит векторным хранилищем, которое возвращает наиболее похожее содержимое на запрос.
Как Qdrant обрабатывает фильтрацию по метаданным? (AI)
Qdrant хранит произвольные метаданные в формате, сериализуемом в JSON, в виде payload и может фильтровать по ним при выполнении запроса. Согласно странице Microsoft Learn, фильтрация происходит во время обхода графа HNSW, а не как постфильтрация, поэтому производительность поиска не снижается.
Можно ли запускать Qdrant в Azure? (AI)
Да. Его можно развернуть самостоятельно, например, в Azure Kubernetes Service с приватными конечными точками Azure Files, либо использовать управляемый сервис Qdrant Cloud. Он также доступен через Azure Marketplace, что позволяет оплачивать его через подписку 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: