未记录事实核验 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

Qdrant 学习路线图

Qdrant（发音同 "quadrant"）是当前向量数据库赛道里最值得认真学习的开源项目之一。它用 Rust 写成，可避免垃圾回收暂停；实际内存占用和延迟仍取决于索引配置、数据规模、硬件与负载；它的 Payload 过滤架构是目前所有开源向量库里最聪明的设计之一；它对量化的支持最为完整——Scalar、Product、Binary 三种方案开箱即用。

如果你正在为一个对过滤性能有强诉求的场景选型（电商搜索、知识库检索、用户画像匹配），或者你的团队对Rust 系统级性能有偏好，Qdrant 很可能是你的最优解。这份路线图帮你以最高效的方式掌握它。

---

前置知识要求

在开始 Qdrant 之前，建议具备以下基础：

前置知识	要求程度	说明
Python 基础	必须	Qdrant Client 主要使用 Python SDK，需要会基本的 class 和异步编程
向量与嵌入概念	推荐	理解"把文本/图像转成向量"的基本原理
Docker 基础	推荐	最常见的 Qdrant 本地部署方式是 Docker
REST API 概念	了解即可	Qdrant 提供完整的 HTTP REST 和 gRPC 接口
数据库基本概念	了解即可	理解索引、过滤、CRUD 的含义

推荐先读：

• 向量数据库选型指南 — 在宏观视角下了解 Qdrant 的定位，明确为何选 Qdrant
• ANN 算法原理 — 理解 HNSW 等近似最近邻算法的核心原理
• Embedding 选型 — 明确什么样的向量适合放入 Qdrant

---

整体学习路径

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TB
    subgraph "阶段一：入门（1-2周）"
        A1["01-Qdrant概述与核心定位<br/>定位、核心特性、与 Milvus 的差异"]
        A2["02-快速上手<br/>Docker 部署 + 第一个搜索应用"]
        A3["03-核心概念详解<br/>Collection / Point / Payload / Named Vectors"]
        A1 --> A2 --> A3
    end

    subgraph "阶段二：进阶（2-3周）"
        B1["04-Payload过滤深度解析<br/>filterable HNSW 的工作原理与性能优势"]
        B2["05-量化压缩实战<br/>Scalar / Product / Binary 三种方案对比"]
        B3["06-混合搜索与稀疏向量<br/>稠密+稀疏，BM25+语义，RRF 融合"]
        B4["07-Named Vectors与多向量<br/>单点多向量、ColBERT Multivector"]
        B1 --> B2 --> B3 --> B4
    end

    subgraph "阶段三：生产（2-3周）"
        C1["08-索引调优与性能优化<br/>HNSW 参数、ef_construct、m 值选择"]
        C2["09-集群部署与分布式架构<br/>Sharding、Replication、故障恢复"]
        C3["10-RAG集成与生产实践<br/>LangChain / LlamaIndex / 生产级调优"]
        C1 --> C2 --> C3
    end

    A3 --> B1
    B4 --> C1

    style A1 fill:#dbeafe,stroke:#3b82f6
    style A2 fill:#dbeafe,stroke:#3b82f6
    style A3 fill:#dbeafe,stroke:#3b82f6
    style B1 fill:#dcfce7,stroke:#16a34a
    style B2 fill:#dcfce7,stroke:#16a34a
    style B3 fill:#dcfce7,stroke:#16a34a
    style B4 fill:#dcfce7,stroke:#16a34a
    style C1 fill:#fef9c3,stroke:#ca8a04
    style C2 fill:#fef9c3,stroke:#ca8a04
    style C3 fill:#fce7f3,stroke:#db2777

---

各阶段详解

阶段一：入门（预计 1-2 周，5-7 小时）

目标：建立对 Qdrant 的完整认知，并跑通第一个搜索应用。读完这三篇，你能清楚地说出：Qdrant 是什么、它和 Milvus/Weaviate 的本质区别、它的核心数据模型如何设计。

---

01-Qdrant概述与核心定位（约 60 分钟）

Qdrant 的起点文档。重点不是"功能列表堆砌"，而是讲清楚三件事：Qdrant 用 Rust 写成的工程含义（可避免垃圾回收暂停，但内存开销和延迟仍需结合具体配置与负载评估）；Qdrant 的 Payload 过滤设计如何工作，以及如何在具体负载下评估其效果；以及在 Milvus、Weaviate、pgvector 的对比坐标里，Qdrant 的精准定位是什么。

读完之后你应该能回答：什么场景首选 Qdrant？Qdrant 和 Milvus 在架构上的核心差异是什么？

---

02-快速上手（约 75 分钟）

最短路径跑通 Qdrant：Docker 一行命令启动，用 Python Client 创建 Collection，写入 Point，执行第一次向量搜索。这篇不讲原理，只讲如何最快速地建立"动手感"。

重点覆盖：Docker 部署、Qdrant Cloud 免费 tier 使用、Python SDK 基本操作、第一个带 Payload 过滤的查询。

---

03-核心概念详解（约 60 分钟）

Qdrant 的数据模型比 Milvus 更简洁，但有自己的概念体系需要理解：

• Collection：向量集合，类比数据库的"表"
• Point：基本存储单元，包含 ID + 向量 + Payload
• Payload：结构化元数据，支持复杂过滤
• Named Vectors：一个 Point 携带多个命名向量
• Segment：底层存储单元，索引管理的基本粒度

这些概念会贯穿后续所有文档，需要在这里打牢基础。

---

阶段一完成检验：

• [ ] 能说清楚 Qdrant 在向量数据库生态中的定位
• [ ] 本地或 Qdrant Cloud 成功运行了第一个搜索查询
• [ ] 理解 Point、Payload、Named Vectors 三个核心概念
• [ ] 能解释 Qdrant 的 Payload 过滤为什么比"先搜后过滤"快

---

阶段二：进阶（预计 2-3 周，8-12 小时）

目标：深入掌握 Qdrant 的四个核心差异化能力。这个阶段完成后，你能在实际业务场景中充分利用 Qdrant 的独特优势，而不是把它当成一个普通的向量存储。

---

04-Payload过滤深度解析（约 90 分钟）

这是 Qdrant 最值得深入学习的能力。大多数向量数据库的过滤是"先 ANN 搜索，再在结果集上过滤"（后过滤）或"先过滤出候选集，再在候选集内搜索"（前过滤），两种方案都有严重的召回率或性能问题。

Qdrant 的解法不同——它将 Payload 索引信息嵌入 HNSW 图的边，让过滤和向量搜索在同一次图遍历中完成（Filterable HNSW）。此外，Qdrant 的查询规划器会根据过滤选择率自动切换搜索策略：高选择率走 HNSW，低选择率直接走 Payload 倒排索引。

这篇还覆盖所有 Payload 类型（integer、float、keyword、text、bool、geo、datetime）和过滤条件的写法。

---

05-量化压缩实战（约 75 分钟）

量化是 Qdrant 的另一个核心竞争力。三种方案各有适用场景：

• Scalar Quantization（标量量化）：float32 → int8，内存减少 75%，搜索速度提升 28%-60%，精度损失可接受
• Product Quantization（乘积量化）：将向量分段压缩，内存压缩比更高（最高 64x），适合超大数据集
• Binary Quantization（二值量化）：float32 → 1bit，内存压缩 32x，搜索速度提升最高 40x，需要向量分布满足特定条件

这篇包含三种方案的详细配置、精度/速度 trade-off 分析，以及"用 Binary 存储 + Scalar 查询"这种高级组合技的使用场景。

---

06-混合搜索与稀疏向量（约 90 分钟）

纯向量搜索有一个痛点：无法捕捉精确的关键词匹配。"iPhone 15 Pro Max 256GB"这样的精确查询，语义向量搜索可能会把"iPhone 14 Pro"排在前面。

Qdrant 的解法是原生稀疏向量支持：用 SPLADE 或 BM25 生成稀疏向量，与稠密向量存在同一个 Collection 里（Named Vectors 机制），查询时两路并行，用 RRF（Reciprocal Rank Fusion）或 DBSF（Distribution-Based Score Fusion）合并结果。

这篇还覆盖 Qdrant 的 Query API——一个统一的查询接口，用声明式方式描述复杂的混合搜索 Pipeline。

---

07-Named Vectors与多向量（约 60 分钟）

Named Vectors 是 Qdrant 的一个独特特性：一个 Point 可以携带多个命名向量，每个向量可以有不同的维度和距离度量。

实际应用场景：

• 同一个商品存储"标题向量"和"描述向量"两路，分别用于不同的检索场景
• Matryoshka Embedding（可变维度，一个模型输出多种维度）
• ColBERT 多向量：每个 Token 一个向量，存入 Multivector 结构，用 MaxSim 距离做精确重排序

---

阶段二完成检验：

• [ ] 能解释 Filterable HNSW 和普通后过滤的本质区别
• [ ] 配置过 Scalar Quantization 并测量了精度/速度变化
• [ ] 实现过稠密+稀疏的混合搜索，并对比了纯向量搜索的效果
• [ ] 设计过一个使用 Named Vectors 的多向量 Schema

---

阶段三：生产（预计 2-3 周，6-10 小时）

目标：从"能用"到"在生产中稳定运行"。这个阶段关注性能调优、集群部署和与 AI 框架的深度集成。

---

08-索引调优与性能优化（约 90 分钟）

HNSW 索引的两个核心参数决定了你系统的性能上限：

• m（每个节点的最大连接数）：值越大，图越稠密，召回率越高，但内存占用和构建时间也越大
• ef_construct（构建时的候选集大小）：影响索引质量，值越大，离线索引构建越慢但在线搜索精度越高

这篇还覆盖：搜索时的 ef 参数调优、内存 vs 磁盘 vs 量化的组合策略、Collection 级别的优化配置（on_disk_payload、memmap_threshold）、以及 Qdrant 1.16 引入的 ACORN 过滤搜索算法。

---

09-集群部署与分布式架构（约 90 分钟）

Qdrant 的集群模式通过 Sharding 和 Replication 实现水平扩展：

• Sharding：Collection 数据分片，每个 Shard 存储一部分数据，支持自定义分片键（用于多租户场景）
• Replication：每个 Shard 有多个副本，自动故障转移，读写负载均衡
• Qdrant 1.13 的 Re-sharding：在线重新分片，无需停机

这篇覆盖 Docker Compose 集群部署、Kubernetes Helm Chart 部署、以及 Qdrant 1.16 引入的 Tiered Multitenancy（分层多租户）架构设计。

---

10-RAG集成与生产实践（约 120 分钟）

端到端的生产 RAG 系统构建：

• 文档 Pipeline：分块策略、Embedding 模型选型、批量写入的并发控制
• LangChain 集成：Qdrant VectorStore，稀疏向量支持，自定义检索链
• LlamaIndex 集成：QdrantVectorStore 配置，混合检索节点
• 生产调优清单：如何诊断召回质量差的问题、Payload 索引最佳实践、冷启动问题处理

---

阶段三完成检验：

• [ ] 能根据数据规模和精度要求合理设置 HNSW 的 m 和 ef_construct
• [ ] 完成过 Qdrant 集群（至少 2 节点）的部署和 Shard 配置
• [ ] 用 LangChain 或 LlamaIndex 构建过一个混合检索 RAG 系统
• [ ] 能分析并优化一个召回质量不达标的向量检索场景

---

本系列文档导航

序号	文档	阶段	预计时长	核心价值
00	00-Qdrant学习路线图	导航	15 分钟	全局视野，选择学习路径
01	01-Qdrant概述与核心定位	入门	60 分钟	理解 Qdrant 的本质定位
02	02-快速上手	入门	75 分钟	建立第一手动手感
03	03-核心概念详解	入门	60 分钟	打牢数据模型基础
04	04-Payload过滤深度解析	进阶	90 分钟	Qdrant 最核心的差异化能力
05	05-量化压缩实战	进阶	75 分钟	内存/速度极限优化
06	06-混合搜索与稀疏向量	进阶	90 分钟	稠密+稀疏，超越纯语义搜索
07	07-Named Vectors与多向量	进阶	60 分钟	单点多向量的工程设计
08	08-索引调优与性能优化	生产	90 分钟	系统级性能调优
09	09-集群部署与分布式架构	生产	90 分钟	高可用生产部署
10	10-RAG集成与生产实践	生产	120 分钟	落地 AI 应用的终点站

---

Qdrant 核心特色地图

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart LR
    subgraph "Qdrant 核心能力"
        P["Payload 过滤<br/>Filterable HNSW<br/>单次图遍历完成过滤"]
        Q["三级量化压缩<br/>Scalar / Product / Binary<br/>加速效果需实测<br/>40x 仅作为待验证参考值"]
        H["原生混合搜索<br/>稠密 + 稀疏向量<br/>RRF / DBSF 融合"]
        N["Named Vectors<br/>单点多向量<br/>ColBERT Multivector"]
    end

    subgraph "底层支撑"
        R["Rust 实现<br/>避免 GC 暂停<br/>实际延迟需测试"]
    end

    R --> P
    R --> Q
    R --> H
    R --> N

    style P fill:#dbeafe,stroke:#3b82f6
    style Q fill:#dcfce7,stroke:#16a34a
    style H fill:#fef9c3,stroke:#ca8a04
    style N fill:#fce7f3,stroke:#db2777
    style R fill:#f1f5f9,stroke:#64748b

---

Qdrant 在向量数据库生态中的位置

产品	语言底层	过滤性能	量化支持	混合搜索	最适合场景
Qdrant	Rust	最优（Filterable HNSW）	最完整（3种）	原生支持	过滤场景、中大规模、自部署
Milvus	Go + C++	较好	支持	支持	超大规模（亿级+）、企业级
Weaviate	Go	一般	部分支持	原生支持	多模态、知识图谱语义
pgvector	C（PG扩展）	依赖 PG 索引	不支持	手动实现	已有 PostgreSQL 技术栈
Chroma	Python	一般	不支持	不支持	原型开发、小规模验证
Pinecone	托管服务	较好	托管优化	支持	不想运维、预算充足

Qdrant 的核心竞争力：在需要复杂 Payload 过滤且对延迟可预测性有要求的场景（如电商搜索、个性化推荐、合规知识库），Qdrant 可作为重点评估的开源候选方案，是否最适合需结合实际数据、召回目标、延迟和运维约束验证。

---

适合人群与不适合人群

---

Qdrant 技术选型快速决策树

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TD
    S["我需要向量搜索能力"] --> Q1{"数据量级？"}
    Q1 -->|"< 100万"| Small["考虑 Chroma 或 pgvector<br/>足够简单，维护成本低"]
    Q1 -->|"100万 ~ 10亿"| Q2{"强过滤需求？<br/>（多字段组合过滤）"}
    Q1 -->|"> 10亿"| Big["优先考虑 Milvus<br/>分布式架构更成熟"]
    Q2 -->|"是"| Q3{"可以自部署？"}
    Q2 -->|"否"| Q4{"需要混合搜索？"}
    Q3 -->|"是"| Qdrant["优先评估 Qdrant<br/>验证 Filterable HNSW 的实际效果"]
    Q3 -->|"否"| Pinecone["考虑 Pinecone<br/>全托管，过滤性能也不错"]
    Q4 -->|"是"| Qdrant2["Qdrant 原生混合搜索<br/>或 Weaviate"]
    Q4 -->|"否"| Any["Qdrant / Milvus 均可<br/>按团队熟悉度选择"]

    style Qdrant fill:#dbeafe,stroke:#3b82f6
    style Qdrant2 fill:#dbeafe,stroke:#3b82f6

---

推荐的学习方式

最低成本的入门方式：使用 Qdrant Cloud 的免费 Cluster（1GB 存储，无需信用卡），配合 Python SDK，在 Jupyter Notebook 里完成第 01-03 篇的核心代码实验。不需要本地安装任何服务。

最高效的深化方式：在学完第 04 篇 Payload 过滤后，拿一个真实的业务数据集（哪怕只有 10 万条）做过滤性能测试，对比加 Payload 索引前后的查询速度。实际数字会让你对 Filterable HNSW 的价值有直观感受。

量化能力的验证方式：第 05 篇学完后，立刻在你的数据集上测试 Scalar Quantization，记录内存占用和 P50/P99 延迟的变化。这往往是最让工程师"惊艳"的 Qdrant 特性。

团队学习顺序建议：

角色	重点文档	目标
产品/业务同学	01	了解向量搜索能力边界，判断适用场景
后端工程师	01、02、03、04	快速集成 Qdrant 到服务
数据工程师	04、05、08	掌握过滤优化和量化压缩
AI 应用开发	02、06、07、10	混合搜索 + RAG 集成
基础设施/SRE	08、09	生产部署和性能调优

---

与 Milvus 学习路线的对比

已经学过 Milvus 的读者，可以快速定位两个系列的差异：

维度	Milvus 路线图	Qdrant 路线图
核心架构重点	分布式云原生四层架构	Filterable HNSW + Payload 索引
量化支持	基础支持	三种量化，配置最灵活
适用规模	亿级以上	百万到十亿
部署复杂度	高（依赖 etcd、MinIO、Pulsar）	低（单进程或 Docker）
独特特性	超大规模分布式	过滤性能、量化、Named Vectors
学习曲线	陡峭（架构复杂）	平缓（API 简洁）

---

立即开始：01-Qdrant概述与核心定位

---

创建时间：2026-03-11 文档总数：10 篇专精文档 覆盖范围：Qdrant 入门 → 进阶特性 → 生产部署 → RAG 集成

#Qdrant #向量数据库 #学习路线 #RAG #AI工程 #Rust #向量搜索