Qdrant 是一个用 Rust 编写的高性能向量数据库，用于生产级 RAG（检索增强生成）与语义搜索。其核心定位是提供快速的最近邻搜索，并支持向量与元数据的混合检索。
一、适用场景 资料列出以下使用时机：构建需要低延迟的生产 RAG 系统；需要混合搜索（向量 + 元数据过滤）；需要借助分片/复制实现水平扩展；希望本地部署并完全掌控数据；需要每条记录存储多向量（稠密 + 稀疏）；构建实时推荐系统。
二、主要能力
- Rust 驱动：内存安全、高性能。
- 丰富的过滤：检索时可基于任意 payload 字段过滤。
- 多向量：每个点支持稠密、稀疏、多稠密向量。
- 量化：标量、乘积、二值量化以节省内存。
- 分布式：Raft 共识、分片、复制。
- REST + gRPC：两套 API 功能对等。
三、核心概念
- Points（点）：基本数据单元，由 ID + 向量 + payload 组成。ID 可为整数或 UUID 字符串；payload 为任意 JSON 元数据。支持批量 upsert，并可设置 wait=True 等待索引完成。
- Collections（集合）：向量容器。创建时可配置向量维度、距离度量与 HNSW 参数（m、ef_construct、full_scan_threshold），并可设置 on_disk_payload 将 payload 存于磁盘。
- 距离度量：COSINE（文本嵌入、归一化向量，范围 0 到 2）、EUCLID（空间数据、图像特征，0 到 ∞）、DOT（推荐、未归一化，-∞ 到 ∞）、MANHATTAN（稀疏特征、离散数据，0 到 ∞）。
四、使用方式 安装：
- Python 客户端：pip install qdrant-client
- Docker（推荐用于开发）：docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant
- 带持久化存储的 Docker：docker run -p 6333:6333 -p 6334:6334 -v $(pwd)/qdrant_storage:/qdrant/storage qdrant/qdrant
基本用法：通过 QdrantClient(host="localhost", port=6333) 连接；用 create_collection 创建集合（指定 size 与 distance）；用 upsert 写入带 payload 的向量；用 search 执行检索，可传入 query_filter 进行过滤，并设置 limit、with_payload、with_vectors。
检索操作：
- 基础检索：最近邻搜索。
- 过滤检索：支持 must / must_not 等条件，可用 FieldCondition、MatchValue、Range 等模型，也支持简写字典语法。
- 批量检索：通过 search_batch 与 SearchRequest 在一次请求中执行多个查询。
多向量支持：
- 命名向量：可在同一集合中配置多个向量（如 dense 与 sparse），写入时以字典形式提供，检索时用 ("dense", query_dense) 指定目标向量。
- 稀疏向量：通过 sparse_vectors_config 配置（如 SparseVectorParams 与 SparseIndexParams），写入 SparseVector(indices, values)，可用于 BM25、SPLADE 等。
量化（内存优化）：通过 ScalarQuantization 与 ScalarQuantizationConfig 配置，例如 type=ScalarType.INT8、quantile=0.99、always_ram=True；检索时可用 search_params={"quantization": {"rescore": True}} 对顶部结果重打分。
Payload 索引：通过 create_payload_index 为过滤字段建立索引，字段类型包括 KEYWORD、INTEGER、FLOAT、GEO、TEXT（全文）、BOOL。
生产部署：可连接 Qdrant Cloud（url 与 api_key）；可通过 update_collection 调整 hnsw_config（如 ef_construct、m）或 optimizer_config（如 indexing_threshold）进行性能调优。
五、最佳实践 批量操作以提升效率；为过滤字段建立 payload 索引；大规模集合（>1M 向量）启用量化；集合超过 10M 向量时使用分片；大 payload 启用 on_disk_payload；复用客户端实例以使用连接池。
六、常见问题处理
- 带过滤的检索变慢：为过滤字段创建 payload 索引。
- 内存不足：启用量化与磁盘存储。
- 连接问题：设置 timeout 与 prefer_grpc=True。
七、替代方案 资料建议在以下情况改用其他工具：Chroma（更简单的搭建、嵌入式场景）、FAISS（追求最大原始速度、研究/批处理）、Pinecone（偏好全托管、零运维）、Weaviate（偏好 GraphQL、内置向量化器）。
八、资源与版本 GitHub：https://github.com/qdrant/qdrant；文档：https://qdrant.tech/documentation/；Python 客户端：https://github.com/qdrant/qdrant-client；云服务：https://cloud.qdrant.io。版本 1.12.0+，许可证 Apache 2.0。
九、限制与注意事项 资料强调：不得编造结果、参数、标识符、引用或统计；答案须来自检索到的文本，语料不含答案时应明确说明；版本相关细节可能过时，应以所安装版本的官方文档为准；涉及花钱、占用共享 GPU 或云配额、触及个人或患者数据、或不可撤销的操作前应先询问。若检索返回不相关片段，应先检查分块、加入 BM25/混合搜索或重排序，而非直接更换生成器；若指令中的函数、标志或端点在当前安装版本中不存在，应查阅该版本文档并告知用户，绝不臆造 API。