AiDuo123 Logo
简体|繁體
登录注册
★ 34,906· 2,721 forks· Rust· Apache-2.0开源替代

Qdrant:Rust 構建的高效能向量資料庫

qdrant/qdrant

用 Rust 編寫的生產級向量搜尋引擎,支援擴充套件過濾與混合檢索,為 AI 應用提供高效能語義搜尋與推薦能力

成熟度：維護活躍,最近提交0天前,202位貢獻者,open issues 748個,持續迭代中

GitHub 仓库 → HN 讨论 · 29 点 · 10 评论对标：Pinecone

项目体检

部署 · Docker 一键启动 `docker run -p 6333:6333 qdrant/qdrant`,默认端口 6333,支持 GPU 加速需额外配置,生产环境需配置认证与安全策略

成本 · 开箱即用无需外部依赖,支持 GPU 加速(可选 nvidia/amd),边缘设备可用 Qdrant Edge 嵌入式版本,生产环境建议配置认证与 TLS

技术 · Rust 1.97+ 主体,提供 Python/Go/JavaScript/Java/.NET 等多语言客户端,支持 gRPC 与 RESTful API

许可 · Apache-2.0 协议,可自由商用、修改与分发,无附加限制

活跃 · 最新版本 v1.19.1(2026年9月),202位贡献者,0天前仍有提交,活跃度极高

解決什麼

Qdrant 專為 AI 應用的向量搜尋場景設計,解決傳統關鍵詞檢索無法理解語義的痛點。當你需要構建智慧問答、推薦系統、影像搜尋或 RAG(檢索增強生成)應用時,需要將文本、圖片等資料轉為向量嵌入(embeddings),再通過相似度計算找到最匹配的結果。Qdrant 提供生產級的向量儲存與檢索能力,支援擴充套件過濾(結合 JSON payload 查詢)、混合檢索(向量+關鍵詞)、多租戶隔離等企業級特性,讓開發者無需從零搭建複雜的向量索引系統。

為何火

專案在 GitHub 獲得 3.5 萬星標,核心原因有三:首先,Rust 實現帶來極致效能與記憶體安全,官方基準測試顯示在高併發場景下顯著優於同類產品;其次,完全開源且支援本地部署,相比 Pinecone 等雲服務避免了資料出境與廠商鎖定風險;第三,功能完備度高,既提供 Docker 快速啟動的服務端,也有 Qdrant Edge 嵌入式版本可直接整合到應用程序,覆蓋雲端到邊緣的全場景需求。社群討論中多位開發者明確表示"Qdrant 遠勝 Pinecone",尤其讚賞其清晰的文件與易於原始碼編譯的特性。

核心功能

  • 高效能向量檢索:基於 HNSW 演算法實現近似最近鄰搜尋,支援餘弦、歐氏等多種距離度量
  • 擴充套件過濾支援:查詢時可同時對向量與 JSON payload 欄位進行過濾,實現精準的業務邏輯匹配
  • 混合搜尋:結合向量相似度與傳統關鍵詞檢索,提升召回率
  • 量化與壓縮:支援標量/乘積量化減少記憶體佔用,GPU 加速推理
  • 多租戶隔離:通過 sharding 與 payload 索引實現租戶資料隔離
  • 邊緣部署:Qdrant Edge 可嵌入應用程序,支援離線執行與本地資料同步
  • Agent Skills:提供預置技能包,輔助 AI 編碼助手做向量搜尋工程決策

安裝

Docker 快速啟動(適合開發測試):

docker run -p 6333:6333 qdrant/qdrant

生產環境部署需配置持久化儲存與認證:

docker run -p 6333:6333 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  -e QDRANT__SERVICE__API_KEY=your_secret_key \
  qdrant/qdrant

原始碼編譯(需 Rust 1.97+):

cargo build --release
./target/release/qdrant

邊緣裝置使用 Python/Rust 客戶端初始化 EdgeShard 即可,無需獨立服務程序。

適合誰

  • AI 應用開發者:需要為 LLM 構建 RAG 系統、語義搜尋或智慧推薦
  • 注重資料主權的企業:要求向量資料本地化部署,不依賴國外雲服務
  • 邊緣計算場景:需在移動端、IoT 裝置上實現離線向量檢索
  • 效能敏感專案:高併發、低延遲要求,Rust 實現提供更好的資源利用率
  • 開源優先團隊:需要審計程式碼、自定義功能或避免廠商鎖定

中文使用者注意:完全可離線執行,無需梯子;官方文件有中文版;社群在 Discord 活躍,國內可通過 GitHub Discussions 交流。

社群評價

HN 討論中,開發者普遍對 Qdrant 持正面態度。有使用者在測試多個開源向量資料庫後明確表示"Qdrant 是最佳選擇",理由包括文件清晰、原始碼易編譯(約 30 分鐘)、二進位制檔案小且可移植。針對 Pinecone 的對比,多位網友批評後者過度強調雲服務與賬號註冊,而 Qdrant 的離線優先設計更符合"簡單即更好"的理念,類似 SQLite/DuckDB 的哲學。

爭議點主要在於向量資料庫是否會"贏家通吃"。有人質疑該領域是否會商品化,但社群反饋顯示開源生態(Qdrant、Weaviate 等)正快速成熟,Pinecone 聯合創始人曾在 2022 年播客中輕視開源的態度引發反感,反而推動了開源陣營的團結。與 Weaviate 對比時,社群指出後者更側重 Go 生態與自動嵌入生成,Qdrant 則專注核心檢索效能與 payload 查詢的深度整合。

選型對比

vs Pinecone(商業雲服務):

  • Qdrant:開源免費,本地部署,資料自主可控,效能基準測試更優
  • Pinecone:託管便捷,但需賬號註冊,資料出境,按用量計費

vs Weaviate(開源):

  • Qdrant:Rust 實現更高效,payload 過濾能力更強,二進位制體積小
  • Weaviate:Go 生態,內建向量化模組(自動呼叫 OpenAI),GraphQL 查詢

vs Milvus(開源):

  • Qdrant:單機效能優秀,部署簡單,適合中小規模
  • Milvus:分散式架構,適合超大規模叢集,但運維複雜度高

vs pgvector(PostgreSQL 外掛):

  • Qdrant:專用向量引擎,HNSW 索引效能更好,支援量化
  • pgvector:複用現有 PG 基礎設施,適合已有 PG 技術棧的團隊

已知坑

  1. 預設無認證:Docker 快速啟動版本暴露在所有網路介面且無鑑權,生產環境務必配置 API Key 與 TLS
  2. 記憶體佔用:未啟用量化時,大規模向量集合會佔用較多記憶體,需根據資料量規劃資源
  3. GPU 支援:需手動構建映象並指定 --build-arg GPU=nvidia,預設映象不含 GPU 加速
  4. Open Issues 較多:當前 748 個未關閉 issue,雖然活躍但部分邊緣特性可能存在 bug,建議關注 Release Notes
  5. 中文分詞:預設分詞器對中文支援有限,需結合 jieba 等工具預處理或使用支援中文的嵌入模型
  6. 版本相容性:Rust 版本要求 1.97+,舊環境需升級工具鏈;EdgeShard 與服務端 API 存在差異,遷移需注意

資料來源: GitHub 倉庫 qdrant/qdrant + Hacker News 社群討論

安装方式：docker

← 浏览全部项目