用 Docker 部署 Qdrant 向量数据库并通过客户端库完成向量存储与相似度检索

方案简介

本方案介绍如何在本地使用 Docker 快速部署 Qdrant 向量搜索引擎，并通过 Python 客户端库连接、存储和检索向量数据。

Qdrant（读作 quadrant）是一个向量相似度搜索引擎和向量数据库。它提供了一个生产就绪的服务，配有便捷的 API 来存储、搜索和管理点（point）——即带有附加 payload 的向量。Qdrant 特别为扩展过滤支持而设计，适用于各种基于神经网络或语义的匹配、分面搜索等应用场景。

Qdrant 使用 Rust 编写，即使在高负载下也能保持快速和可靠。借助 Qdrant，嵌入（embedding）或神经网络编码器可以被转化为完整的应用，实现匹配、搜索、推荐等功能。Qdrant 也提供完全托管的 Qdrant Cloud 服务（含免费额度）。

本方案适合希望在本地快速体验向量搜索能力、或为其 AI 应用（语义搜索、推荐系统、图像检索等）搭建向量存储后端的开发者。

亮点与能力

• 稠密、稀疏与多向量搜索：支持稠密向量做语义相似度、稀疏向量做全文检索，以及多向量搜索（多嵌入对象或 ColBERT 等后期交互模型）。
• Payload 过滤：对向量附带的 payload 提供扩展过滤支持。
• REST API：提供符合 OpenAPI 3.0 规范的 REST API，可为几乎所有框架和编程语言生成客户端。
• gRPC 接口：面向生产环境的更快搜索，额外提供 gRPC 接口。
• 多语言客户端：官方提供 Go、Rust、JavaScript/TypeScript、Python、.NET/C#、Java 客户端，社区提供 Kotlin、PHP 客户端。
• 生产就绪：Rust 实现，高负载下快速可靠。

组成与分工

• Qdrant：核心向量数据库服务，负责存储、搜索和管理带 payload 的向量点，以 Rust 编写。
• Docker：容器化运行 Qdrant 服务，一条命令即可启动本地实例。
• Python / qdrant-client：官方 Python 客户端库，用于连接服务器并进行向量数据的写入与查询。
• gRPC / REST (OpenAPI 3.0)：服务暴露的两种接口，REST 便于通用集成，gRPC 用于更快生产级搜索。

前置要求

• 本地已安装 Docker。
• 如使用 Python 客户端，需具备 Python 环境并安装 qdrant-client。
• 部署到生产前建议阅读官方 installation 与 security 指南。

实施步骤

1. 启动 Qdrant 容器

在本地运行以下命令启动 Qdrant 服务：

bash
docker run -p 6333:6333 qdrant/qdrant

2. 使用 Python 客户端连接

安装官方 Python 客户端后，通过如下代码连接服务器：

python
from qdrant_client import QdrantClient

client = QdrantClient(url="http://localhost:6333")

连接成功后即可通过客户端 API 存储和检索向量点。

使用与配置要点

• 服务默认监听 6333 端口，客户端通过 url="http://localhost:6333" 连接。
• REST API 交互式文档见 api.qdrant.tech，OpenAPI 3.0 规范可用于为任意框架或语言生成客户端；也可下载原始 OpenAPI 定义文件。
• 追求更快生产级搜索时可改用 gRPC 接口。
• 验证成功：能通过客户端连接并完成向量点的存储与查询即视为跑通。

注意事项与常见问题

• 安全警告：默认 docker run 启动的是一个不安全部署，没有认证，且对所有网络接口开放。请参考官方 "secure your instance" 安全文档进行加固。
• 生产部署：上生产前务必阅读官方 installation 与 security 指南。

优缺点

• ✓ Rust 编写，高负载下快速可靠
• ✓ 提供多语言官方客户端
• ✕ 默认部署无认证且对所有网络接口开放

出处

本方案挖掘自开源项目 qdrant/qdrant，方案内容与实施命令均来自其 README 原文。