Qdrant — Recherche de Similarité Vectorielle

Base de données vectorielle haute performance écrite en Rust, conçue pour les charges de travail de RAG et de recherche sémantique en production. Fournit une recherche hybride (vecteurs + filtrage de métadonnées), le support multi-vectoriel, la quantification pour l'efficacité mémoire et un fonctionnement distribué via Raft avec sharding et réplication. Inclut des API REST et gRPC ainsi qu'un client Python de premier ordre.

Quand l'utiliser

• Systèmes RAG de production nécessitant une recherche de plus proches voisins à faible latence
• Cas d'utilisation nécessitant un filtrage de métadonnées parallèlement à la similarité vectorielle
• Collections à grande échelle où la quantification ou le sharding est requis

Caractéristiques clés

• Performance et sécurité propulsées par Rust
• Indexation HNSW et multiples métriques de distance (COSINE, EUCLID, DOT, MANHATTAN)
• Indexation du payload et support riche des filtres
• Vecteurs multi/nommés, vecteurs sparses et payloads sur disque
• Quantification et réglages pour optimiser le compromis mémoire vs précision

Démarrage rapide (haut niveau)

• Installez qdrant ou lancez-le via Docker ; pip install qdrant-client pour Python
• Créez des collections avec VectorParams et la métrique de distance souhaitée
• Effectuez des upserts de points par lots (id + vecteur + payload) et créez des index de payload pour les filtres
• Utilisez client.search ou search_batch pour la récupération et les pipelines RAG

Intégrations

• Fonctionne avec sentence-transformers, LangChain, LlamaIndex et les pipelines d'embedding courants

Références

• Documentation Qdrant : https://qdrant.tech/documentation/
• GitHub : https://github.com/qdrant/qdrant