Qdrant 高效能向量資料庫

Sat, 06 Jun 2026 00:00:00 +0000

專案簡介

Qdrant 是一個用 Rust 開發的高效能向量資料庫，專為生產環境設計。支援大規模向量搜尋、豐富的過濾功能、水平擴展等企業級特性。

GitHub Stars: 28K+

主要功能

高效能 - Rust 實作，極致效能
豐富過濾 - 向量 + 屬性聯合查詢
水平擴展 - 分片和副本支援
雲原生 - Kubernetes 部署
多租戶 - 隔離的 Collection

安裝

Docker

1
2
3


docker run -p 6333:6333 -p 6334:6334 \
 -v $(pwd)/qdrant_storage:/qdrant/storage \
 qdrant/qdrant

Docker Compose

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


version: '3.8'
services:
 qdrant:
 image: qdrant/qdrant:latest
 ports:
 - "6333:6333"
 - "6334:6334"
 volumes:
 - ./qdrant_storage:/qdrant/storage
 environment:
 - QDRANT__SERVICE__GRPC_PORT=6334

Python SDK

1

pip install qdrant-client

快速開始

基本使用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35


from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct

# 連接
client = QdrantClient("localhost", port=6333)

# 建立 Collection
client.create_collection(
 collection_name="security_docs",
 vectors_config=VectorParams(size=384, distance=Distance.COSINE)
)

# 新增向量
client.upsert(
 collection_name="security_docs",
 points=[
 PointStruct(
 id=1,
 vector=[0.1, 0.2, ...], # 384 維向量
 payload={"title": "SQL Injection", "severity": "high"}
 ),
 PointStruct(
 id=2,
 vector=[0.3, 0.4, ...],
 payload={"title": "XSS Attack", "severity": "medium"}
 )
 ]
)

# 搜尋
results = client.search(
 collection_name="security_docs",
 query_vector=[0.15, 0.25, ...],
 limit=5
)

Collection 管理

建立 Collection

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


from qdrant_client.models import Distance, VectorParams

# 單一向量欄位
client.create_collection(
 collection_name="docs",
 vectors_config=VectorParams(
 size=768,
 distance=Distance.COSINE
 )
)

# 多向量欄位
client.create_collection(
 collection_name="multimodal",
 vectors_config={
 "text": VectorParams(size=768, distance=Distance.COSINE),
 "image": VectorParams(size=512, distance=Distance.EUCLIDEAN)
 }
)

距離度量

類型	說明
`COSINE`	餘弦相似度
`EUCLID`	歐幾里得距離
`DOT`	內積

Collection 操作

1
2
3
4
5
6
7
8


# 取得資訊
info = client.get_collection("docs")

# 列出所有
collections = client.get_collections()

# 刪除
client.delete_collection("docs")

向量操作

新增/更新

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30


from qdrant_client.models import PointStruct

# 新增點
client.upsert(
 collection_name="docs",
 points=[
 PointStruct(
 id=1,
 vector=[0.1, 0.2, 0.3, ...],
 payload={
 "title": "OWASP Top 10",
 "category": "security",
 "year": 2025
 }
 )
 ]
)

# 使用 UUID
import uuid
client.upsert(
 collection_name="docs",
 points=[
 PointStruct(
 id=str(uuid.uuid4()),
 vector=[0.1, 0.2, ...],
 payload={"title": "Document"}
 )
 ]
)

批次操作

1
2
3
4
5
6
7
8


# 批次上傳
client.upload_collection(
 collection_name="docs",
 vectors=vectors_list,
 payload=payloads_list,
 ids=ids_list,
 batch_size=100
)

刪除

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20


# 依 ID 刪除
client.delete(
 collection_name="docs",
 points_selector=[1, 2, 3]
)

# 依條件刪除
from qdrant_client.models import Filter, FieldCondition, MatchValue

client.delete(
 collection_name="docs",
 points_selector=Filter(
 must=[
 FieldCondition(
 key="category",
 match=MatchValue(value="deprecated")
 )
 ]
 )
)

搜尋

基本搜尋

1
2
3
4
5
6
7
8
9


results = client.search(
 collection_name="docs",
 query_vector=[0.1, 0.2, ...],
 limit=10
)

for result in results:
 print(f"ID: {result.id}, Score: {result.score}")
 print(f"Payload: {result.payload}")

過濾搜尋

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


from qdrant_client.models import Filter, FieldCondition, MatchValue, Range

results = client.search(
 collection_name="docs",
 query_vector=query_vector,
 query_filter=Filter(
 must=[
 FieldCondition(
 key="category",
 match=MatchValue(value="security")
 ),
 FieldCondition(
 key="severity",
 match=MatchValue(value="high")
 )
 ]
 ),
 limit=10
)

範圍過濾

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


results = client.search(
 collection_name="docs",
 query_vector=query_vector,
 query_filter=Filter(
 must=[
 FieldCondition(
 key="year",
 range=Range(gte=2024, lte=2026)
 )
 ]
 ),
 limit=10
)

過濾運算子

比較運算

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


from qdrant_client.models import FieldCondition, MatchValue, Range

# 等於
FieldCondition(key="status", match=MatchValue(value="active"))

# 範圍
FieldCondition(key="score", range=Range(gt=0.5, lt=1.0))

# 在列表中
FieldCondition(key="tag", match=MatchAny(any=["web", "api"]))

邏輯運算

1
2
3
4
5


Filter(
 must=[...], # AND
 should=[...], # OR
 must_not=[...] # NOT
)

索引優化

建立 Payload 索引

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


# 加速過濾查詢
client.create_payload_index(
 collection_name="docs",
 field_name="category",
 field_schema="keyword"
)

# 數值索引
client.create_payload_index(
 collection_name="docs",
 field_name="year",
 field_schema="integer"
)

HNSW 設定

1
2
3
4
5
6
7
8
9


from qdrant_client.models import HnswConfigDiff

client.update_collection(
 collection_name="docs",
 hnsw_config=HnswConfigDiff(
 m=16,
 ef_construct=100
 )
)

LangChain 整合

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


from langchain_qdrant import Qdrant
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

# 建立向量儲存
vectorstore = Qdrant.from_documents(
 documents=docs,
 embedding=embeddings,
 url="http://localhost:6333",
 collection_name="langchain_docs"
)

# 搜尋
results = vectorstore.similarity_search("security vulnerability", k=3)

分片與複製

建立分片 Collection

1
2
3
4
5
6


client.create_collection(
 collection_name="large_docs",
 vectors_config=VectorParams(size=768, distance=Distance.COSINE),
 shard_number=6, # 分片數
 replication_factor=2 # 副本數
)

雲端服務

Qdrant Cloud

1
2
3
4


client = QdrantClient(
 url="https://your-cluster.qdrant.io",
 api_key="your-api-key"
)

rust on Astroicers Blog

Qdrant 高效能向量資料庫

專案簡介

主要功能

安裝

Docker

Docker Compose

Python SDK

快速開始

基本使用

Collection 管理

建立 Collection

距離度量

Collection 操作

向量操作

新增/更新

批次操作

刪除

搜尋

基本搜尋

過濾搜尋

範圍過濾

過濾運算子

比較運算

邏輯運算

索引優化

建立 Payload 索引

HNSW 設定

LangChain 整合

分片與複製

建立分片 Collection

雲端服務

Qdrant Cloud

相關連結

延伸閱讀