Qdrant

面向生产的高性能向量库：标量量化省内存、payload 过滤下推、稀疏向量混合检索

项目速览

项目 内容
仓库 qdrant/qdrant
语言 Rust
协议 Apache-2.0
形态 单机 / 集群 / 托管云
特色 过滤下推、量化、稀疏+稠密混合

它想解决什么问题

向量检索的基本问题好解决，难的是真实业务里的附加条件：**不仅要”相似”，还要”符合过滤条件”**——某租户的、某时间段的、某类目的。很多向量库的做法是先召回再过滤，结果是被过滤掉大半，召回数量不够。

Qdrant 的答案是过滤下推：把过滤条件融进图索引遍历，边搜边排除，召回结果不塌。

核心机制拆解

1. Filterable HNSW。 过滤条件参与索引遍历，而不是事后剪枝，这是它在多租户场景里的关键优势。

2. 量化省内存。 标量量化与二值量化可大幅压缩向量占用，用少量精度换数倍内存效率。

3. 混合检索。 稠密向量之外支持稀疏向量（如 SPLADE）与多向量，语义与关键词召回可融合。

4. 运维友好。 单二进制部署、快照备份、分片与副本，集群能力齐备，也有托管云选项。

安装与上手

1
docker run -p 6333:6333 -v $(pwd)/qdrant_storage:/qdrant/storage qdrant/qdrant
1
2
3
from qdrant_client import QdrantClient, models
c = QdrantClient("http://localhost:6333")
c.create_collection("docs", vectors_config=models.VectorParams(size=768, distance=models.Distance.COSINE))

点评

亮点是把”过滤 + 向量”这对矛盾处理得干净：多租户、按权限、按时间的检索是绝大多数实际检索系统的常态，而它的设计正好对得上。Rust 实现的资源效率也很实在。

局限：生态与托管选项不如老牌搜索栈丰富，复杂分析型查询仍得回 Postgres/ES；高写入并发下要自己调分片与索引参数；向量维度与量化策略选错，精度损失可能难以察觉（要用自家数据评测）；集群运维仍需一定专业度。

适合人群：做多租户 RAG 的产品团队；需要在语义检索上叠加权限/时间过滤的系统；以及追求内存效率的自托管用户。