用途：Qdrant 是用于生产级 RAG 与语义搜索的高性能向量数据库，适合需要低延迟检索、向量加元数据混合过滤、水平扩展与本地化部署的场景，也可用于实时推荐系统。
主要能力：以 Rust 编写，强调内存安全与性能；支持在检索时按任意 payload 字段过滤；每个点可存稠密、稀疏及多稠密向量；提供标量、乘积、二值量化以节省内存；支持 Raft 共识、分片与副本的分布式模式；REST 与 gRPC 功能对等。
使用方式：安装 Python 客户端 pip install qdrant-client；开发环境可用 docker run -p 6333:6333 -p 6334:6334 qdrant/qdrant，持久化可加 -v $(pwd)/qdrant_storage:/qdrant/storage。基本流程为创建 collection（指定向量维度与距离度量，如 COSINE、EUCLID、DOT、MANHATTAN）、upsert 写入 PointStruct（id、vector、payload），再用 query_points 检索并配合 query_filter 过滤。注意 qdrant-client 1.14+ 中 client.search 已移除，改用 query_points；批量检索用 query_batch_points。可结合 sentence-transformers、LangChain、LlamaIndex 构建 RAG。
适用场景与限制：适合生产 RAG、混合检索、大规模向量集合与自托管数据控制。若只需简单嵌入或嵌入式使用可考虑 Chroma，追求极致原始速度或研究批处理可考虑 FAISS，偏好全托管可考虑 Pinecone，偏好 GraphQL 与内置向量化可考虑 Weaviate。大集合建议启用量化、payload 索引与分片；具体性能与收费信息暂未提供。