Qdrant 1.19 介绍与选型指南

一、信息基准

1.1 查询说明

• 查询日期：2026-10-19。
• 信息获取方式：纯官方资料溯源（Qdrant 官方站点 qdrant.tech、官方文档站、GitHub 官方仓库 qdrant/qdrant 发行页），本文不做本地安装与运行实测。
• 版本结论：本次介绍的版本为 Qdrant 1.19 系列，最新补丁 v1.19.2（2026-10-05 发布）；1.19.0 于 2026-08-04 发布。

1.2 版本依据

1.3 官方来源清单

二、软件概述

本文介绍的是 Qdrant 1.19（开源社区版，最新补丁 v1.19.2，2026-10-05 发布）。

Qdrant 是一款开源向量数据库 / 向量搜索引擎，为 AI 应用（语义检索、RAG、推荐等）提供高维向量的相似度检索能力，同时支持带过滤条件的结构化检索。它以 Rust 编写为单一二进制文件，内嵌存储与索引引擎，不依赖外部数据库即可运行；社区版以 Apache License 2.0 发布，背后由 Qdrant 公司主导，并提供 Qdrant Cloud 云服务与面向边缘场景的 Qdrant Edge（EdgeShard）能力。

Qdrant 在 GitHub 上拥有约 35k stars（2026-10-19 实查，shields.io 徽标取自 GitHub API；官方站点自述超过 29K GitHub stars），是向量数据库领域社区关注度最高的开源项目之一，官方同时维护 Python、TypeScript、Rust、Java、C#、Go 等多语言客户端库。

三、核心架构

3.1 单二进制与存储引擎

• 单进程单二进制：Rust 实现的服务进程内嵌全部存储与索引能力，启动即用，无外部数据库依赖（官方 README）。
• 存储分层：数据由 Collection 组织，底层拆分为 Segment（可变段 + 不可变段），配合 WAL 预写日志保证写入持久性；向量与 payload 存储默认对不可变段启用单文件 mmap（v1.19.0 发行说明），并支持 io_uring 读优化。

3.2 接口与运行形态

• 单机模式：默认形态，适合开发与中小规模生产。
• 分布式模式：多节点经 Raft 共识管理集群元数据，数据按 Shard 分片并支持副本、分片迁移（shard transfer）与在线 resharding（v1.19.x 发行说明持续修复 resharding 相关一致性）。

3.3 索引与检索层

• 稠密向量：HNSW 近似最近邻图索引，支持 Cosine、Dot、Euclid 等距离度量。
• 稀疏向量：面向全文检索的稀疏向量索引，支持 BM25 与按租户的 per-query IDF 语料统计（v1.19.0 新增）。
• 多向量：同一数据点携带多个向量，覆盖 ColBERT 等晚期交互模型（官方 README）。
• Payload 索引：keyword、数值、geo、全文等过滤索引，支持前缀匹配（prefix match）与切片采样（slice filtering）等 v1.19.0 新增过滤能力。

四、功能特性

4.1 量化与内存治理

• 内置量化体系：标量量化、二值量化、产品量化，以及 v1.19.0 正式 GA 的 TurboQuant 4-bit（可作为主向量存储类型，仅存 4-bit 量化向量以节省磁盘）；官方 README 称量化可将内存占用最高削减约 97%。
• v1.19.0 引入统一内存策略：按 Collection 组件粒度声明 "memory": "cold" / "cached" / "pinned" 三档内存行为（官方发行说明与 memory-tiers 文档）。

4.2 检索能力

• 稠密 + 稀疏 + 多向量统一查询 API（Query API），支持混合检索与融合（官方 README hybrid search 章节）。
• 过滤式向量检索：payload 过滤与向量检索联合执行，v1.19.0 新增前缀匹配、slice 过滤/确定性采样。
• 推荐类 API（recommend）与分组检索（group search）等检索原语（官方 API 文档）。

4.3 运维与可观测

• 快照与恢复：支持本地与 S3 快照上传/恢复（v1.19.x 发行说明含 S3 快照路径安全修复）。
• 全局配额 API（v1.19.0 新增）与严格模式参数，用于资源上限管控；/metrics 暴露 Prometheus 指标（v1.19.1 新增 cpu_cores_used）。
• Web UI（qdrant-web-ui）随发行更新：payload 索引管理、配额管理、resharding 进度展示、基于 WASM UMAP + WebGL 的向量可视化（v1.19.0 发行说明）。
• GPU 加速索引构建：支持 NVIDIA 与 AMD GPU（官方 README）；v1.19.x 持续优化 SIMD 量化打分与 HNSW 批量检索性能。

4.4 1.19 系列状态

1.19 系列自 2026-08 GA 后按月节奏发布 1.19.1、1.19.2 两个补丁（官方 tags 页实查），属于当前活跃维护的稳定线；上一条 1.18 线在 2026 年内发布 4 个补丁后交棒，版本节奏整体稳健。

五、快速上手

以下示例转述自官方 Quickstart 文档（https://qdrant.tech/documentation/quickstart/ ），本文不做本地实测。

5.1 获取与启动

官方 Quickstart 给出的 Docker 最小启动方式（镜像 qdrant/qdrant）：

docker pull qdrant/qdrant

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

启动后 REST API 位于 localhost:6333，Web UI 位于 localhost:6333/dashboard，gRPC 位于 localhost:6334。官方同时提示：默认配置无认证无加密，生产环境须按官方 Security 文档（https://qdrant.tech/documentation/security/ ）加固，包括配置 API Key 等。

5.2 初始化客户端并建集合

官方 Python 客户端示例（其余语言客户端见官方 Quickstart）：

pip install qdrant-client

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

client = QdrantClient(url="http://localhost:6333")
client.create_collection(
    collection_name="test_collection",
    vectors_config=VectorParams(size=4, distance=Distance.DOT),
)

5.3 写入与检索

按官方 Quickstart 流程，接着通过 client.upsert 写入带 id、vector、payload 的数据点，再以 client.query_points 执行相似度检索；完整代码与 TypeScript/Rust/Java/C#/Go 等语言版本见官方 Quickstart 页面。本站亦有容器化部署与集群化的实操文档可参考：《Qdrant Docker Compose 部署指南》 与 《Qdrant 集群模式部署指南》。

六、适用场景与限制

6.1 适用场景

• RAG 与语义检索：为 LLM 应用提供向量召回 + 过滤的混合查询入口。
• 推荐与相似搜索：图像、商品、内容去重等以 embedding 相似度为核心的场景。
• 多租户 SaaS：以 payload 分区 + per-tenant IDF 统计支撑租户隔离检索。
• 资源受限环境：量化 + mmap + 内存分层组合，可在有限内存下承载大规模向量；边缘场景可评估 Qdrant Edge。

6.2 限制与注意事项

• 默认部署无认证，生产使用必须显式配置安全项（官方 Quickstart 安全提示）。
• 稠密向量索引以 HNSW 为主，索引构建期内存与 CPU 开销需预留；召回率/速度需按场景调参。
• SQL/Join 等关系能力与通用 OLTP 能力不存在，业务侧多表关联仍需外接主库。
• 分布式集群运维（分片/副本/resharding）复杂度高于单机，小规模场景建议单机 + 快照备份起步。
• 1.19 为当前稳定线，选型时应核对自身依赖的功能在目标版本的 GA 状态（如 Live 类特性以官方 roadmap 为准）。

七、同类选型对比

7.1 候选概览

7.2 量化对比（2026-10-19 实查）

（stars 与发版时间取自各项目 GitHub Releases/Tags 页面及 shields.io 徽标实查；许可见各自仓库 LICENSE 说明。）

7.3 选型建议

希望以最低运维成本起步、看重单二进制部署与内存效率（量化/mmap/内存分层）的团队，Qdrant 是向量库中的稳健默认项；预期向量规模达十亿级、需要存算分离弹性伸缩与多组件编排的，优先评估 《Milvus 3.0 介绍与选型指南》；需要向量与生成式搜索模块化集成、语言生态偏 Go 的可选 Weaviate；数据规模可控且希望与业务数据共用 PostgreSQL、复用既有备份/权限体系时，pgvector（本站有 《pgvector 安装与使用指南》）是最低改造成本的路线；而已在用 Elastic 技术栈、需要全文与向量一体化的团队，可在 Elasticsearch 中直接启用向量能力，但要注意其多许可（非纯 OSI 开源）与较重的资源占用。

八、参考链接

• 官方站点：https://qdrant.tech/
• 官方文档：https://qdrant.tech/documentation/
• 官方 Quickstart：https://qdrant.tech/documentation/quickstart/
• 源码仓库：https://github.com/qdrant/qdrant
• v1.19.2 发行说明：https://github.com/qdrant/qdrant/releases/tag/v1.19.2
• Milvus 仓库：https://github.com/milvus-io/milvus
• Weaviate 仓库：https://github.com/weaviate/weaviate
• pgvector 仓库：https://github.com/pgvector/pgvector
• Elasticsearch 仓库：https://github.com/elastic/elasticsearch