Qdrant 深度解析：面向向量搜索的高性能数据库

在大模型（LLM）应用爆发的当下，向量数据库已经成为 RAG（检索增强生成）架构中不可或缺的基础设施。而 Qdrant 凭借其高性能、易部署、功能完善的特点，成为众多开发者的首选之一。本文将从核心概念、索引原理到部署实战，带你完整认识 Qdrant。

一、什么是 Qdrant？

Qdrant 是一个开源的向量数据库（Vector Database），专门用于存储、管理和检索高维向量数据。它通过高效的近似最近邻搜索（ANN, Approximate Nearest Neighbor）算法，实现毫秒级的相似度查询。

核心定位：Qdrant = 向量存储 + 相似度搜索 + 过滤能力

它由 Rust 编写，底层基于 HNSW（分层可导航小世界图）索引，单机即可承载千万级向量，同时支持分布式部署与水平扩展。

二、为什么需要向量数据库？

传统数据库（如 MySQL、PostgreSQL）主要处理结构化数据，而 AI 应用更多面对的是"语义相似性"问题，例如：

"找和这段话意思相近的内容"
"推荐和用户兴趣相似的商品"
"从知识库中检索出与问题最相关的文档片段"

这些需求都需要把文本、图片等内容用 Embedding 模型转换成高维向量，再通过向量距离度量相似度——这正是向量数据库擅长的领域。它与传统数据库最本质的区别在于：传统数据库回答"等于不等于"，向量数据库回答"像不像"。

三、Qdrant 核心概念

概念	说明
Collection（集合）	一组向量的逻辑容器，类似关系数据库中的"表"
Point（数据点）	集合中的一条数据，由 id、向量（Vector）和 Payload 组成
Payload（载荷）	附加的元数据（JSON 格式），支持过滤与排序
Vector（向量）	浮点数数组，维度由 Embedding 模型决定
Index（索引）	默认 HNSW 索引，控制召回速度与精度

一个典型的 Point 结构大致如下：

{
  "id": 1,
  "vector": [0.12, 0.35, 0.87, ...],   // 768 维
  "payload": {
    "title": "Qdrant 使用指南",
    "category": "database",
    "author": "admin",
    "views": 1024
  }
}

Payload 的存在让 Qdrant 可以在相似度检索的同时完成结构化过滤，例如"只返回分类为 database 且浏览量大于 100 的结果"，这是它相比纯向量索引方案（如 FAISS）的核心优势。

四、HNSW 索引原理简析

Qdrant 默认使用 HNSW（Hierarchical Navigable Small World） 图索引。它的核心思想是构建多层图结构：

上层稀疏图：节点少、连接远，负责快速"跳跃"到目标区域；
底层稠密图：节点密集、连接近，负责在局部精细搜索；

搜索时从顶层出发，逐层向下"导航"，每一层都通过贪心算法逼近最近邻，最终在底层得到精确结果。这种结构把暴力检索 O(n) 的复杂度大幅降低，在百万级向量上也能维持毫秒级延迟。

与精确检索（Exact Search）不同，ANN 是"以可接受的精度损失换取数量级的速度提升"，Qdrant 提供了 ef（搜索宽度）等参数来权衡召回率与延迟。

五、Docker 快速部署

Qdrant 提供了官方 Docker 镜像，一条命令即可启动：

# 启动 Qdrant 单机版，映射 6333（HTTP）与 6334（gRPC）端口
docker run -d --name qdrant \
  -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant:latest

启动后访问 http://localhost:6333/dashboard 即可打开内置的 Web 管理面板，查看集合、向量与性能指标。也可以直接通过 REST API 验证服务状态：

curl http://localhost:6333/collections

如果需要分布式部署，可以使用 Qdrant 的 Cluster 模式，通过配置文件声明多个节点，实现分片（Sharding）与副本（Replication）。

六、Python SDK 实战

安装官方 SDK：

pip install qdrant-client

1. 创建集合

from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance

client = QdrantClient(url="http://localhost:6333")

# 创建 768 维、余弦距离的集合
client.create_collection(
    collection_name="articles",
    vectors_config=VectorParams(size=768, distance=Distance.COSINE),
)

2. 写入向量

from qdrant_client.models import PointStruct

points = [
    PointStruct(id=1, vector=[0.1] * 768, payload={"title": "向量数据库入门"}),
    PointStruct(id=2, vector=[0.2] * 768, payload={"title": "RAG 实战"}),
]
client.upsert(collection_name="articles", points=points)

3. 相似度查询 + 过滤

from qdrant_client.models import Filter, FieldCondition, MatchValue

results = client.search(
    collection_name="articles",
    query_vector=[0.15] * 768,          # 查询向量
    query_filter=Filter(
        must=[FieldCondition(key="title", match=MatchValue(value="向量数据库入门"))]
    ),
    limit=5,                            # 返回 Top-5
    with_payload=True,
)
for hit in results:
    print(hit.id, hit.score, hit.payload)

4. 删除集合

client.delete_collection(collection_name="articles")

除了 Python，Qdrant 还提供了 @qdrant/js-client-rest、qdrant/go-client、Java 等官方 SDK，API 设计高度一致，上手成本很低。

七、选型对比：Qdrant vs Milvus vs pgvector

维度	Qdrant	Milvus	pgvector
部署复杂度	低（单机 Docker 即可）	较高（依赖 etcd、MinIO 等组件）	低（PostgreSQL 插件）
过滤能力	强（Payload 过滤）	强（标量索引）	中（SQL 过滤）
规模上限	千万级	十亿级	百万级
语言生态	Rust 核心 + 多语言 SDK	Go/C++ 核心	C（PG 原生）
适合场景	中小规模 RAG、快速上线	大规模检索、机器学习平台	已有 PG、数据量小的场景

选型建议：中小团队做 RAG 应用、追求快速落地，优先 Qdrant；数据量达到亿级且基础设施完善，考虑 Milvus；项目本身就在用 PostgreSQL 且向量数据量不大，pgvector 是最省事的选择。

八、总结

Qdrant 以"简单、快速、功能完整"著称：一条 Docker 命令即可部署，内置 Web 管理面板，Payload 过滤机制让它天然适配业务检索场景。对于大多数 RAG 和语义搜索应用而言，它都是性价比极高的选择。

下一篇我们将介绍 Umi-OCR 的 Docker 部署与 API 调用，敬请期待。