M365Con 2027 – безкоштовна онлайн-конференція · 11–22 Jan 2027 · 120 sessions m365con.net

Qdrant

Product

Qdrant — це векторна база даних з відкритим вихідним кодом і пошуковий рушій схожості, написаний мовою Rust. Він використовується для зберігання ембедингів разом з метаданими payload для семантичного пошуку з фільтрами та retrieval-augmented generation.

◆ PRODUCTQdrantM365.FM
Title graphic: Qdrant (Product)

Також обговорюють

У випуску на тему Qdrant обговорюють також: Cybersecurity Maturity Model Certification (CMMC), Llama, Ollama, Graphics processing unit (GPU), ISO/IEC 27001 та Vector store.

Description

Qdrant — це векторна база даних з відкритим вихідним кодом і пошуковий рушій схожості, написаний мовою Rust. Він зберігає ембединги, тобто числові векторні представлення контенту, наприклад тексту, разом із метаданими payload, і повертає елементи, найбільш схожі на векторний запит. Типові сценарії використання — семантичний пошук і retrieval-augmented generation (RAG), коли застосунок знаходить релевантні джерела та передає їх мововій моделі як контекст.

У конвеєрі RAG Qdrant виконує роль векторного сховища. Документи завантажуються, перетворюються на ембединги та записуються в Qdrant. Під час запиту питання перетворюється на ембединг тим самим способом, і отримуються найближчі збіги. Сторінка Microsoft Learn про побудову конвеєрів RAG з Qdrant і Azure Files описує таке налаштування, де джерелом документів є Azure Files. Фреймворки оркестрації, як-от LangChain, LlamaIndex і Haystack, відповідають за завантаження та пошук під час запиту, тож Qdrant не потрібно викликати напряму з кожної частини застосунку.

Ключова можливість — payload. Qdrant може зберігати довільні метадані у форматі, що серіалізується в JSON, разом із кожним вектором і фільтрувати за ними під час виконання запиту. За даними сторінки Microsoft Learn, фільтрація відбувається під час обходу графа HNSW, а не як пост-фільтрація, тому фільтр не знижує продуктивність пошуку. Це важливо, коли пошук потрібно обмежити, наприклад, документами з певними атрибутами, але при цьому результати все одно ранжуються за семантичною схожістю. Колекції створюються автоматично під час першої вставки з відповідною розмірністю вектора та метрикою відстані.

Вибір способу розгортання — важливе рішення. Qdrant можна розгорнути самостійно, наприклад, у Azure Kubernetes Service разом із приватними кінцевими точками Azure Files, що залишає конвеєр у межах мережевого периметра орендаря. Крім того, Qdrant Cloud пропонує керовану службу з тим самим API, що й самостійно розгорнута версія, і, згідно зі сторінкою, для розробки та тестування достатньо безкоштовного тарифу. Qdrant також доступний через Azure Marketplace, що дозволяє оплату через передплату Azure. Сторінка документації, на яку посилаються тут, не описує умови ліцензування, обмеження ємності чи показники продуктивності, тому ці питання слід перевіряти окремо під час планування проєкту.

У екосистемі Microsoft Qdrant існує поряд із такими службами, як Azure Files, Azure Kubernetes Service та Azure Marketplace, і його можна поєднувати з застосунками на базі .NET, які використовують семантичний пошук. Епізод M365.FM «Build AI Applications with .NET 10» (2025-11-03) розміщує Qdrant разом із Weaviate в інфраструктурному шарі архітектури AI-застосунку під назвою «Semantic Search & Vector Databases». У цьому шарі він стоїть поруч із управлінням даними за допомогою Entity Framework Core і Cosmos DB та CI/CD і MLOps з GitHub Actions. Епізод розглядає його як один із будівельних блоків більшого стеку, а не як самостійний продукт, і описує AI-функції, як-от розумні підказки та голосове введення, як частину інтелектуального шару застосунку.

Для команд, що обирають векторне сховище, практичні питання такі: де можна розміщувати дані, чи потрібна фільтрація за метаданими разом із ранжуванням за схожістю, і чи підходить керована або самостійно керована служба з огляду на операційні можливості. Джерела описують Qdrant як такий, що охоплює обидві моделі розміщення з тим самим API, що дозволяє розробку на керованому безкоштовному тарифі та подальший перехід до самостійного розгортання у приватній мережі, хоча джерела не описують процес міграції.

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

TypeProduct

Frequently asked questions

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

Для чого використовується Qdrant? (AI)

Qdrant — це векторна база даних і пошуковий рушій схожості, який використовується для зберігання ембедингів разом із метаданими payload для семантичного пошуку з фільтрами та retrieval-augmented generation. У конвеєрі RAG він виконує роль векторного сховища, що повертає найбільш схожий контент для запиту.

Як Qdrant обробляє фільтрацію за метаданими? (AI)

Qdrant зберігає довільні метадані, що серіалізуються в JSON, як payload і може фільтрувати за ними під час виконання запиту. За даними сторінки Microsoft Learn, фільтрація відбувається під час обходу графа HNSW, а не як пост-фільтрація, тому продуктивність пошуку не знижується.

Чи можна запускати Qdrant на Azure? (AI)

Так. Його можна розгорнути самостійно, наприклад, у Azure Kubernetes Service з приватними кінцевими точками Azure Files, або використовувати як керовану службу Qdrant Cloud. Він також доступний через Azure Marketplace, що дозволяє оплату через передплату Azure.

Glossary

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: