廣泛的 metadata 篩選
將 metadata 儲存在 JSON 中，並在查詢向量時套用 nested、text、geo 與 has_vector 等進階篩選條件。
概覽
Qdrant 是一款以 Rust 撰寫的開源向量搜尋引擎。它的設計目的是協助團隊打造需要快速相似度搜尋、彈性篩選，以及從雲端到自架環境等多種部署選項的 AI 檢索系統。
此產品定位於生產級 AI 搜尋，包括用於 RAG、AI agents、語意搜尋、推薦系統與分析工作流程的檢索。其頁面強調即時索引、有效率的儲存，以及讓向量搜尋更容易整合與維運的開發者工具。
功能
原生混合搜尋
在單一查詢中結合關鍵字搜尋與向量搜尋，並支援 dense 或 sparse vectors，以及 BM25、SPLADE++ 和 miniCOIL 等檢索方法。
內建 multivector 支援
每個 object 可使用多個向量，讓檢索表達更豐富、更靈活，也更適合多模態資料。
單階段篩選
在 HNSW 遍歷期間套用篩選，讓結果在單一階段完成過濾，目標是在複雜條件下也能以低延遲維持高 recall。
全方位 reranking
使用 score boosting、ColBERT 等 late interaction models，以及 MMR 來調整排序並讓結果更多樣化。
面向開發者的 API 與工具
可透過 REST、gRPC、官方 client libraries，以及內建 web UI 進行檢視與測試。
使用情境
RAG 與 GenAI
建立結合 dense 與 sparse 搜尋、metadata 篩選，以及最新索引資料的 retrieval-augmented generation 流程，產生更具脈絡的回答。
AI agents
建立具備持久記憶與快速相似度搜尋的情境感知 agents，以處理對話狀態與任務脈絡。
語意搜尋
實作根據意圖而非僅依關鍵字比對，回傳相關結果的語意搜尋。
推薦系統
利用大型項目集合上的即時相似度比對與感知 metadata 的排序，驅動推薦系統。
資料分析與異常偵測
透過搜尋偏離正常行為的模式，偵測營運或分析資料中的異常。
Pros and Cons
Pros
- 以 Rust 撰寫的開源向量搜尋引擎。
- 支援 dense、sparse 與 hybrid 檢索，並具備進階 metadata 篩選。
- 提供多種部署模型，包括 cloud、hybrid、private 與 edge 選項。
- 包含 REST、gRPC、官方 client，以及內建 web UI 等開發者工具。
- 針對大型向量工作負載提供即時索引與儲存最佳化。
Cons
- 所提供的 pricing page 文字未包含具體價格或方案限制。
- 部分部署與合規能力僅以高層次方式描述，未在提供的來源中給出詳細技術規格。
FAQ
Qdrant 可以自架部署或在受管雲端執行嗎？
是。來源將 Qdrant 描述為開源，並提供 Qdrant Cloud 以便快速開始，同時也支援 hybrid、private 與 edge 環境的部署選項。
Qdrant 提供哪一類搜尋功能？
來源強調 Qdrant 提供向量相似度搜尋，並支援 dense、sparse 與 hybrid 檢索、metadata 篩選、reranking，以及 multivector 搜尋。
開發者要如何與 Qdrant 互動？
產品頁指出可透過 REST、gRPC，以及 Python 和 JavaScript 等官方 client 互動，並可使用內建 web UI 檢視 collections 與查詢。
來源是否顯示具體的定價細節？
所提供的 pricing page 內容未列出具體價格或方案限制，因此來源只能確認有 pricing 與 cloud 選項，無法得知確切商業條款。
Quick Facts
- 類別
- 向量搜尋引擎
- 平台
- 雲端、自架、hybrid 與 edge
- 來源網域
- qdrant.io
- 主要使用者
- 打造檢索系統的 AI 與開發團隊
- 語言與 API
- Rust 後端、REST、gRPC、Python、JavaScript clients
- 定價
- 有定價頁面；提供的文字未顯示具體價格