Qdrant

→ 返回 向量数据库

Qdrant 是用 Rust 编写的开源向量数据库，以高性能、低内存占用和丰富的过滤能力著称，提供 REST API 和多语言 SDK，同时也有托管云服务。

---

与同类对比

维度	Qdrant	Milvus	Pinecone
实现语言	Rust	Go	闭源
部署方式	自建 / 云托管	自建	云托管
内存占用	极低	中等	托管无需关心
过滤能力	丰富，支持嵌套条件	基础	基础
混合搜索	支持（稠密 + 稀疏）	支持	支持
适用场景	资源受限、复杂过滤	超大规模	快速原型

---

核心概念

概念	说明
Collection	向量集合，类似表
Point	一条记录，包含 id、vector、payload
Payload	随向量存储的 JSON 元数据，用于过滤
Segment	Collection 内部的存储分段

---

部署

# Docker 单机部署
docker run -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_storage:/qdrant/storage \
    qdrant/qdrant
 
# REST API 端口：6333
# gRPC 端口：6334

---

Python SDK 示例

初始化与创建 Collection

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams
 
client = QdrantClient(host="localhost", port=6333)
 
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

写入 Points

from qdrant_client.models import PointStruct
 
points = [
    PointStruct(
        id=1,
        vector=get_embedding("向量数据库简介..."),
        payload={
            "content": "向量数据库简介...",
            "source": "doc_001",
            "category": "database"
        }
    )
]
 
client.upsert(collection_name="documents", points=points)

相似度搜索

results = client.search(
    collection_name="documents",
    query_vector=get_embedding("什么是向量数据库？"),
    limit=5,
    with_payload=True
)
 
for hit in results:
    print(f"score: {hit.score:.4f}  content: {hit.payload['content']}")

带过滤的搜索

from qdrant_client.models import Filter, FieldCondition, MatchValue, Range
 
# 精确匹配
results = client.search(
    collection_name="documents",
    query_vector=query_vec,
    query_filter=Filter(
        must=[FieldCondition(key="source", match=MatchValue(value="doc_001"))]
    ),
    limit=5
)
 
# 多条件 AND
results = client.search(
    collection_name="documents",
    query_vector=query_vec,
    query_filter=Filter(
        must=[
            FieldCondition(key="category", match=MatchValue(value="database")),
            FieldCondition(key="score",    range=Range(gte=0.8))
        ]
    ),
    limit=5
)

删除

from qdrant_client.models import PointIdsList, FilterSelector
 
# 按 ID 删除
client.delete(
    collection_name="documents",
    points_selector=PointIdsList(points=[1, 2, 3])
)
 
# 按 payload 过滤删除
client.delete(
    collection_name="documents",
    points_selector=FilterSelector(
        filter=Filter(
            must=[FieldCondition(key="source", match=MatchValue(value="old_doc"))]
        )
    )
)

---

混合搜索（稠密 + 稀疏向量）

Qdrant 支持同时使用稠密向量（语义搜索）和稀疏向量（关键词匹配），通过 RRF 融合排名：

from qdrant_client.models import SparseVectorParams, FusionQuery, Fusion
 
# 创建支持混合搜索的 Collection
client.create_collection(
    collection_name="hybrid_docs",
    vectors_config={"dense": VectorParams(size=1536, distance=Distance.COSINE)},
    sparse_vectors_config={"sparse": SparseVectorParams()}
)
 
# 混合查询
results = client.query_points(
    collection_name="hybrid_docs",
    prefetch=[
        {"query": dense_vec,  "using": "dense",  "limit": 20},
        {"query": sparse_vec, "using": "sparse", "limit": 20}
    ],
    query=FusionQuery(fusion=Fusion.RRF),
    limit=5
)

---

Payload 索引（加速过滤）

对高频过滤字段建索引，大幅提升过滤性能：

from qdrant_client.models import PayloadSchemaType
 
client.create_payload_index(
    collection_name="documents",
    field_name="category",
    field_schema=PayloadSchemaType.KEYWORD
)
 
client.create_payload_index(
    collection_name="documents",
    field_name="created_at",
    field_schema=PayloadSchemaType.DATETIME
)

---

Spring AI 集成

spring:
  ai:
    vectorstore:
      qdrant:
        host: localhost
        port: 6334
        collection-name: documents
        use-tls: false

@Service
@RequiredArgsConstructor
public class SearchService {
 
    private final VectorStore vectorStore;
 
    public List<Document> search(String question) {
        return vectorStore.similaritySearch(
            SearchRequest.query(question).withTopK(5)
        );
    }
}

---

相关

• Milvus — 开源向量数据库，超大规模场景首选
• Pinecone — 全托管云端方案，快速上手
• PostgreSQL — pgvector 扩展，小规模向量搜索
• Elasticsearch — 全文搜索 + 向量搜索兼顾
• 大模型 — Embedding 模型生成向量