Qdrant 的核心功能包括：
- 高维向量存储与相似度搜索：支持密集、稀疏、多向量与命名向量，内置 HNSW 索引，实现毫秒级 Top-K 检索。
- 载荷过滤：向量可附带 JSON 元数据，支持全文、地理、范围等条件过滤及索引加速。
- 混合检索：融合语义检索与词法匹配，支持 RRF、DBSF 等分数融合算法，提升检索精度。
- 量化压缩：内置多种量化方案，内存占用最高降低 97%，支持原始向量重打分。
- 实时更新与高可用：向量实时增删改，支持分片、复制、快照备份与故障转移。
- 生态集成：提供多语言官方客户端及 HTTP/gRPC 接口，可与 LangChain 等主流 AI 框架集成。

使用 Qdrant 的基本流程如下：
1. 部署：通过 Docker 一键启动，或注册 Qdrant Cloud 托管服务。
2. 创建集合：定义向量维度与距离度量（余弦、点积或欧氏距离）。
3. 写入数据：通过客户端库或 REST API 上传向量及元数据。
4. 执行搜索：提交查询向量，获取 Top-K 相似结果，可叠加过滤条件。
5. 优化扩展：创建载荷索引、开启量化、配置分片与复制。
示例：运行 docker run -p 6333:6333 qdrant/qdrant 后，通过 http://localhost:6333 调用 REST API，或用 Python 客户端完成集合创建与搜索。

Qdrant 的核心优势如下：
- 性能卓越：Rust 编写，内存安全、无 GC 停顿，基准测试中召回率与 QPS 稳居前列，低尾延迟可预测。
- 部署简单：单个 Docker 容器即可运行，无需多组件编排，运维成本低。
- 资源占用低：结合量化与内存映射，用更少内存承载更多向量，性价比高。
- 过滤精准：载荷索引与 HNSW 图集成，可在图上直接过滤，避免精度损失。

与主流向量数据库相比：
- Pinecone：闭源 SaaS、零运维但成本高、数据需出境；Qdrant 开源可私有化、价格更低。
- Milvus：功能全、中文生态好，但多组件架构复杂、学习曲线陡；Qdrant 单容器部署、上手更快。
- Weaviate：内置嵌入模型但部署重、内存高；Qdrant 更轻量、向量类型更丰富。
总结：私有化大项目选 Milvus，原型验证选 Pinecone，追求性价比与性能推荐 Qdrant。

Q1: Qdrant 的用途是什么？
A1: 它不仅是开源向量数据库，还是相似度搜索引擎，用于高效存储、管理和搜索高维向量，支撑语义搜索、推荐系统和 RAG 应用。
Q2: Qdrant 如何保证实时搜索性能？
A2: 使用 HNSW 图算法查找最近邻，支持实时数据更新，新增和修改的向量立即可被搜索。
Q3: Qdrant 能否集成到现有 AI 管道？
A3: 可以。它提供多语言官方客户端及 HTTP/gRPC 接口，可与 LangChain、LlamaIndex 集成。
Q4: Qdrant 支持哪些部署方案？
A4: 支持本地（Docker）、托管云、混合云与私有化部署，还可部署到 Kubernetes。
Q5: Qdrant 支持的最大向量维度是多少？
A5: 密集向量最高支持 65,535 维；元数据大小无固有上限，建议按资源优化。
Q6: 为什么索引向量数与实际数不一致？
A6: 正常现象。Qdrant 按段存储数据，小段采用全扫描更高效，无需全部建索引。