Qdrant 2026: обзор векторной базы для RAG и памяти агентов

01Кратко: что это и для кого

Qdrant относится к классу «векторных баз с данными»: помимо вектора он держит сам объект и его метаданные (payload), поэтому фильтры по атрибутам — status = active, tenant_id = 42, date > 2026-01-01 — комбинируются с векторной близостью в одном запросе. Индекс строится по алгоритму HNSW: граф «маленького мира», по которому поиск идёт с логарифмической сложностью на миллионах точек.

Ядро написано на Rust и распространяется под Apache-2.0, официальные клиенты есть для Python, TypeScript/JavaScript, Go, Rust, Java и .NET, а API доступен по REST и gRPC. Есть встроенный Web UI, FastEmbed для локальных эмбеддингов и отдельный MCP-сервер — это делает базу удобной не только для RAG, но и как память агента, к которой агент обращается через инструменты.

02Как устроен поиск: индекс, фильтр, выдача

Путь запроса в Qdrant предсказуем, и его стоит понимать до того, как считать деньги за память. Приложение отправляет вектор и условие фильтра; движок идёт по HNSW-графу, на каждом шаге отсекая точки, которые не проходят по payload; затем возвращает ближайших соседей — уже с исходными данными объекта, если попросить with_payload=True.

Отдельно стоит упомянуть Qdrant Edge — встраиваемый движок для процессов, где нет сети: роботы, киоски, мобильные приложения. Он запускается внутри приложения, без фонового сервиса, и работает офлайн. Это ответ на запрос «векторный поиск там, где облако недоступно», и он закрывает нишу, из которой раньше Qdrant выпадал в пользу встроенных библиотек.

03Векторы, фильтры и квантование

Главный расход в любой векторной базе — не диск, а память: миллион векторов размерности 1536 в float32 занимает около 6 ГБ. Qdrant решает это квантованием — сжатием вектора в более компактное представление. Официальная документация описывает три режима, и выбирать их нужно по задаче, а не по принципу «чем сильнее сжать, тем лучше».

• Фильтры по payload работают и как «жёсткое» условие (must), и как «мягкое» (should, must_not) — это позволяет в одном запросе выразить «похоже на X и точно от клиента A».
• Гибридный поиск комбинирует dense-векторы с sparse-векторами: семантика ловит смысл, sparse — точные термины, артикулы и коды, которые dense-модель промахивает.
• Мультитенантность: данные арендаторов живут в одной коллекции, но изолированы, что дешевле, чем коллекция на каждого клиента.
• Шардинг и репликация — встроенные: при росте данных коллекция делится на шарды, реплики держат доступность при отказе узла.

04Сколько стоит: self-hosted и Qdrant Cloud

Открытое ядро бесплатно: Qdrant под Apache-2.0 можно поднять в Docker или Kubernetes и не платить вендору ничего — расходы уходят вашему облаку или железу. Управляемый Qdrant Cloud — это та же база, но с операционными задачами на стороне вендора: обновления, масштабирование, шардинг, бэкапы.

05Сравнение с Weaviate, ChromaDB и LanceDB

Все четыре базы открыты и решают одну задачу, но расходятся в режиме работы. Qdrant и Weaviate — серверные базы для больших объёмов; ChromaDB стартует как встроенная библиотека; LanceDB хранит данные в файловом формате Lance и не требует сервиса. Выбор определяется не звёздами, а тем, где будет жить индекс.

Короткий вывод: если нужен предсказуемый сервер с фильтрами и квантованием под большой объём — Qdrant. Если критична встроенность в приложение и минимум инфраструктуры — смотрите ChromaDB или LanceDB. Если нужны модули векторизации и реранкинга внутри базы — Weaviate.

06Плюсы, минусы и кому подходит

• Плюс: фильтрация по метаданным внутри векторного поиска — самый частый практический запрос в RAG.
• Плюс: квантование реально снижает требования к памяти, а не только в маркетинге.
• Плюс: открытая лицензия Apache-2.0 и self-hosted без платежей — критично для команд из РФ.
• Плюс: зрелая экосистема клиентов и MCP-сервер для агентов.

• Минус: это отдельный сервис: появляется эксплуатация, бэкапы и мониторинг.
• Минус: для «трёх документов в ноутбуке» он избыточен — встроенные библиотеки проще.
• Минус: часть продвинутых возможностей Cloud (SSO, приватные каналы) доступна только на Premium.

07Быстрый старт за пять минут

Минимальный запуск — один контейнер. Дальше создаётся коллекция, загружаются точки и выполняется поиск с фильтром. Ниже — команда из официального quickstart; версию образа фиксируйте тегом, а не latest, чтобы обновление не сломало прод случайно.

docker run -p 6333:6333 -p 6334:6334 \
  -v $(pwd)/qdrant_storage:/qdrant/storage \
  qdrant/qdrant:v1.19.1

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

client = QdrantClient(host="localhost", port=6333)
client.create_collection(
    collection_name="docs",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)